【技术实现步骤摘要】
基于鸟鸣声的鸟种类识别方法、装置及存储介质
[0001]本专利技术涉及生态监测及声音信号识别领域，尤其涉及一种基于鸟鸣声的鸟种类识别方法、装置及存储介质。
技术介绍
[0002]鸟是一种对气候变化十分敏感的动物，不同种类鸟的分布、迁徙和活动状况与当地生态环境密切相关，因此对鸟类的监测与识别有助了解当地生态环境。目前的鸟类监测与识别需要投入大量的人力物力去进行连续观测，且主要依靠人工通过外形差异来完成。鸟鸣声是表征鸟的种类信息的重要指标之一，且易采集，因此对鸟声识别的研究显得尤为重要。鸟鸣声不同于音乐和语音，它具有极强规律性，而且不同种类的鸟鸣声有明显的区分度。目前基于鸟鸣声识别鸟类方法过于复杂繁琐，通常需要运行在PC机上，实用性较低，无法应用于资源有限的嵌入式系统，无法便捷应用于野外实际鸟类监测工作中，而且识别效果受外界环境影响较大，精确度有待提高。
技术实现思路
[0003]专利技术目的：本专利技术针对现有技术存在的问题，提供一种低复杂度、高精确度的基于鸟鸣声的鸟种类识别方法、装置及存储介质。
[0...
【技术保护点】
【技术特征摘要】
1.一种基于鸟鸣声的鸟种类识别方法，其特征在于该方法包括：(1)获取若干段鸟鸣声，并对鸟鸣声进行预处理；(2)对于每段预处理后的鸟鸣声，分别采用两组不同的滤波器组对鸟鸣声的功率谱进行滤波，并分别提取滤波后的信号的系数，再将两组系数、鸟鸣声短时能量和鸟鸣声短时过零率组成当前鸟鸣声的特征向量；(3)构造非线性分类模型，并采用猎物优化方法寻找到非线性分类模型中的最优核函数，其中，寻找过程中位置的适应度为以当前位置为核参数的核函数进行鸟种类识别的识别结果与实际结果相同的数量；(4)将提取的鸟鸣声特征向量输入非线性分类模型进行学习；(5)按照步骤(1)(2)提取待识别鸟鸣声的特征向量，并将特征向量输入已学习好的非线性分类模型中，识别出鸟种类。2.根据权利要求1所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(1)中所述预处理包括加重和加窗。3.根据权利要求1所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(2)具体包括：(2
‑
1)对处理后的鸟鸣声做傅里叶变换，并根据变换后的信号计算鸟鸣声的功率谱P(k)，0≤k≤N
‑
1，k表示鸟鸣声的数据序号，N表示鸟鸣声的数据数量；(2
‑
2)对鸟鸣声的功率谱采用第一组滤波器组进行滤波，得到滤波信号S1(m)：得到滤波信号S1(m)：MH＝(1
‑
α)(f1(m)
‑
f1(m
‑
1)+1)0≤α≤1MR＝α(f1(m+1)
‑
f1(m)+1)0≤α≤1式中，m代表滤波器序号，M代表使用的滤波器的个数，H1
m
(k)代表第一组滤波器组中第m个滤波器，f1(m)、f1(m
‑
1)、f1(m+1)代表第一组滤波器组中第m、m
‑
1、m+1个滤波器的中心频率,α代表滤波器的权系数，0≤α≤1，f
s
代表采样频率，f
h
代表鸟鸣声频率范围内的最高频率，f
l
代表鸟鸣声频率范围内的最低频率，F(*)＝1127*ln(1+*/700)，F
‑1(*)＝700(e
*/1125
‑
1)；(2
‑
3)按照下式提取滤波信号S1(m)的系数C1(n)：
式中，L表示阶数；(2
‑
4)对鸟鸣声的功率谱采用第二组滤波器组进行滤波，得到滤波信号S2(m)：得到滤波信号S2(m)：NH＝(1
‑
α)(f2(m)
‑
f2(m
‑
1)+1)0≤α≤1NR＝α(f2(m+1)
‑
f2(m)+1)0≤α≤1式中，H2
m
(k)代表第二组滤波器组中第m个滤波器，f2(m)、f2(m
‑
1)、f2(m+1)代表第二组滤波器组中第m、m
‑
1、m+1个滤波器的中心频率，FF(*)＝2195
‑
2595*log(1+(4031
‑
*)/700),FF
‑1(*)＝700(10
*/2595
‑
1)；(2
‑
5)按照下式提取滤波信号S2(m)的系数C2(n)：(2
‑
6)按照下式计算鸟鸣声的短时能量E：式中，d(p)表示预处理后的鸟鸣声的第p个数据；(2
‑
7)按照下式计算鸟鸣声的短时过零率Z：式中，sgn[]是符号函数，d(p
‑
1)表示预处理后的鸟鸣声的第p
‑
1个数据；(2
‑
8)将C1(n)、C2(n)、E和Z组成特征向量x：x＝[C1(n),C2(n),E,Z]。4.根据权利要求1所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(3)具体包括：
(3
‑
1)构造非线性分类模型f(x)式中，x为任一段鸟鸣声的特征向量，Q为用于训练分类模型的鸟鸣声的总段数，x
q
为用于训练分类模型的鸟鸣声中第q段鸟鸣声的特征向量，y
q
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。