一种基于机场高危鸟类鸣声的智能识别方法技术

本发明专利技术公开了一种基于机场高危鸟类鸣声的智能识别方法，由鸟类声音采集模块、预处理模块、特征提取模块、分类器组成，所述识别方法如下：步骤一：通过鸟类声音采集模块采集鸟类声音样本；步骤二：通过预处理模块对采集的鸟类声音样本进行预处理；步骤三：预处理后的鸟声通过特征提取模块进行特征提取，获取分类效果贡献度最好的特征；本发明专利技术的有益效果是：复杂环境中，存在飞机轰鸣声或其他鸟类声音干扰下，通过本发明专利技术进一步提高识别结果的正确性以及准确率，可将识别系统同时实验于多种鸟鸣声样本提高系统的普适性；通过Mel频率倒谱系数以及Logistic分类算法、AdaBoot分类算法，对鸟声进行识别，提高了识别的性能，并降低了识别的复杂度。的复杂度。的复杂度。

【技术实现步骤摘要】
一种基于机场高危鸟类鸣声的智能识别方法


[0001]本专利技术属于声音识别探鸟
，具体涉及一种基于机场高危鸟类鸣声的智能识别方法。

技术介绍

[0002]传统的鸟类识别方法有视频监测和人工识别方法，视频监测成本高，监测目标范围有限，人工识别实施困难、效率低，人工驱鸟主要适用于能见度高的白天，能见度较低的黎明、黄昏、黑夜一直是人工驱鸟的盲区，而这三个时间段恰好又是鸟击事故的高发期；根据民航在2001年至2007年的统计：黎明、黄昏、黑夜等能见度较低的环境下发生的鸟击事件占全部鸟击事件的55％；声音识别探鸟作为一种新型探测技术，克服了能见度低和恶劣天气等因素的限制，因此成为鸟情监控的重要手段之一。
[0003]鸟鸣声中包含丰富的生态学信息，如果可以通过提取和分析鸟鸣声来甄别鸟的种类，统计机场附近的鸟类分布状况，进而了解生物多样性，这将有助于监控机场附近的鸟情管理；但由于视觉和声音探测系统需要对周围环境的复杂性有一定的适应能力，所以基于视听方面的驱鸟系统开发情况较为贫瘠，文献大多以研究为主；现实环境下可能存在两只或两只以上鸟类混合鸣叫的场景，对识别的精确度有较大影响。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机场高危鸟类鸣声的智能识别方法，以解决上述
技术介绍
中提出的基于视听方面的驱鸟系统开发情况较为贫瘠，文献大多以研究为主；现实环境下可能存在两只或两只以上鸟类混合鸣叫的场景，对识别的精确度有较大影响的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于机场高危鸟类鸣声的智能识别方法，由鸟类声音采集模块、预处理模块、特征提取模块、分类器组成，所述识别方法如下：
[0006]步骤一：通过鸟类声音采集模块采集鸟类声音样本；
[0007]步骤二：通过预处理模块对采集的鸟类声音样本进行预处理；
[0008]步骤三：预处理后的鸟声通过特征提取模块进行特征提取，获取分类效果贡献度最好的特征；
[0009]步骤四：贡献度最好的特征放入分类器中进行分类，最终输出结果。
[0010]作为本专利技术的一种优选的技术方案，还包括消除环境杂音的维纳滤波器。
[0011]作为本专利技术的一种优选的技术方案，还包括提取特征参数的Mel频率倒谱系数。
[0012]作为本专利技术的一种优选的技术方案，所述Mel频率倒谱系数的计算包括预加重、分帧加窗、傅里叶变换、Mel滤波器组、对数功率谱、离散余弦变换、一阶差分、合并。
[0013]作为本专利技术的一种优选的技术方案，还包括裁剪声音波形杂音、静音的裁剪模块。
[0014]作为本专利技术的一种优选的技术方案，构造目标识别分类器的方法包括Logistic分
类算法、AdaBoot分类算法。
[0015]与现有技术相比，本专利技术的有益效果是：
[0016](1)复杂环境中，存在飞机轰鸣声或其他鸟类声音干扰下，通过本专利技术进一步提高识别结果的正确性以及准确率，可将识别系统同时实验于多种鸟鸣声样本提高系统的普适性；
[0017](2)通过Mel频率倒谱系数以及Logistic分类算法、AdaBoot分类算法，对鸟声进行识别，提高了识别的性能，并降低了识别的复杂度。
附图说明
[0018]图1为本专利技术的识别方法流程图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]实施例1
[0021]请参阅图1，本专利技术提供一种技术方案：一种基于机场高危鸟类鸣声的智能识别方法，由鸟类声音采集模块、预处理模块、特征提取模块、分类器组成，识别方法如下：
[0022]步骤一：通过鸟类声音采集模块采集鸟类声音样本；
[0023]步骤二：通过预处理模块对采集的鸟类声音样本进行预处理；
[0024]步骤三：预处理后的鸟声通过特征提取模块进行特征提取，获取分类效果贡献度最好的特征；
[0025]步骤四：贡献度最好的特征放入分类器中进行分类，最终输出结果。
[0026]本实施例中，优选的，还包括消除环境杂音的维纳滤波器，维纳滤波器是一种以最小平方为最优准则的线性滤波器，在一定的约束条件下，其输出与一给定函数(通常称为期望输出)的差的平方达到最小，通过数学运算最终可变为一个托布利兹方程的求解问题，维纳滤波器又被称为最小二乘滤波器或最小平方滤波器，目前是基本的滤波方法之一，维纳滤波是利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法，有助于提高鸟类声音识别率。
[0027]本实施例中，优选的，还包括提取特征参数的Mel频率倒谱系数，Mel频率倒谱系数的计算包括预加重、分帧加窗、傅里叶变换、Mel滤波器组、对数功率谱、离散余弦变换、一阶差分、合并，具体如下：
[0028]预加重：将输入声音信号通过高通滤波器，提高高频部分，使信号频谱变平坦，便于分析；
[0029]分帧加窗：对信号加汉明窗进行重叠分帧，使其变为短时平稳信号；
[0030]傅里叶变换：对帧信号做快速傅里叶变换，将时域信号转化成频域信号；
[0031]Mel滤波器组：将傅里叶变换得到的频谱系数用三角滤波器进行滤波处理，得到一组系数，三角滤波器的跨度在Mel轴上平均分布；
[0032]对数功率谱：对每个滤波器的输出取对数，得到相应的对数功率谱；
[0033]离散余弦变换：利用离散余弦变换将对数功率谱变换到时域，所得谱的幅值即为原始的Mel频率倒谱系数，得到的特征参数为静态；
[0034]一阶差分：得到的特征参数为动态；
[0035]合并：静态特征参数和动态特征参数合并，作为识别特征参数。
[0036]本实施例中，优选的，还包括裁剪声音波形杂音、静音的裁剪模块。
[0037]本实施例中，优选的，构造目标识别分类器的方法为Logistic分类算法；
[0038]Logistic分类算法：
[0039]利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式Sigmoid函数，并通过最优化法寻找最佳拟合参数，以此进行分类，Sigmoid函数计算公式如下：
[0040][0041]Sigmoid函数在x轴上当x为0时，函数值为0.5.随着x的增大，对应的值将逼近于1；而随着x的减小，值将逼近于0。
[0042]因此为了实现Logistic回归分类器，在每个特征上都成乘以一个回归系数，然后把所有的结果值相加，记为z＝w
T
x,其中的向量x是分类器的输入数据，向量w是最佳参数，将z这个总和代入Sigmoid函数中，进而得到一个范围在0～1之间的值，任何大于0.5的数据被分入1类，小于0.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机场高危鸟类鸣声的智能识别方法，其特征在于：由鸟类声音采集模块、预处理模块、特征提取模块、分类器组成，所述识别方法如下：步骤一：通过鸟类声音采集模块采集鸟类声音样本；步骤二：通过预处理模块对采集的鸟类声音样本进行预处理；步骤三：预处理后的鸟声通过特征提取模块进行特征提取，获取分类效果贡献度最好的特征；步骤四：贡献度最好的特征放入分类器中进行分类，最终输出结果。2.根据权利要求1所述的一种基于机场高危鸟类鸣声的智能识别方法，其特征在于：还包括消除环境杂音的维纳滤波器。3.根据权利要求1所述的一种基于机场高危鸟类鸣声的智能识...

【专利技术属性】
技术研发人员：苏国伟，康旭，刘桂松，夏岩，卢健利，张文通，刘雨林，
申请(专利权)人：中国人民解放军九三一一四部队，
类型：发明
国别省市：