復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法
【專利摘要】本發(fā)明涉及一種復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在于包括以下步驟：步驟1，根據鳥叫聲頻率分布情況將聲音分成三個頻帶；步驟2，對包含有噪聲的鳥鳴聲音信號用基于噪聲功率譜估計和前景聲音存在概率的自適應能量檢測方法檢測并篩選出有用鳥鳴信號；步驟3，根據Mel尺度的分布，對有用鳥鳴信號提取Mel尺度的小波包分解子帶倒譜系數（WPSCC）特征；步驟4，用支持向量機（SVM）分類器分別對提取的Mel尺度的小波包分解子帶倒譜系數（WPSCC）和麥爾頻率倒譜系數（MFCC）特征進行建模分類識別。通過該方法提取的WPSCC特征具有較好的抗噪功能，且經過自適應能量檢測后的識別性能更佳，更適用于復雜環(huán)境下的鳥鳴識別，對復雜環(huán)境下含噪鳥鳴聲音具有較好的分類識別效果。
【專利說明】復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法
【技術領域】
[0001]本發(fā)明涉及鳥鳴識別【技術領域】，特別是一種復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法。
【背景技術】
[0002]復雜生態(tài)環(huán)境中的鳥類能發(fā)出各種多樣的鳴叫聲，其聲音蘊含著與人類生存環(huán)境息息相關的豐富信息。人們可以通過檢測、分析和識別鳥鳴聲音來獲取相關鳥類信息，了解鳥類物種種群的數量、種類以及生活習性，對鳥類進行監(jiān)控和保護，從而對周圍的生態(tài)環(huán)境或居住環(huán)境進行評估與預測。
[0003]隨著科技的日漸發(fā)展，鳥類聲音的分類識別技術已經取得了不少的研究成果。文獻[I]用正弦曲線對連續(xù)鳥叫聲的音節(jié)進行建模，進而用得到的參數對大量鳥叫聲進行分類識別。文獻[2]把聲音信號表征成碼書幀柱狀圖，用由貝葉斯風險最小化導出的最大后驗概率(Maximum A-Posteriori, MAP)和基于統(tǒng)計流形的Kullback-Leibler散度規(guī)則的最近鄰分類器來對大量鳥叫聲進行識別。文獻[3]提出了基于音節(jié)分割的鳥叫聲分類識別方法，比對了正弦曲線模型特征、麥爾頻率倒譜系數(Mel-Frequency CepstrumCoefficient, MFCC)和基音時頻特征三種特征，分析了動態(tài)時間規(guī)整(Dynamic TimeWarping, DTW)、高斯混合模型(Gaussian Mixture Model, GMM)和隱馬爾科夫模型(HiddenMarkov Model, , HMM)三種分類器對鳥叫聲自動識別的適用性及有效性?？紤]到噪聲的影響，研究者也探索了噪聲中的鳥叫聲識別方法。文獻[4]通過降噪分段后提取小波包分解(Wavelet Packet Decomposition, WPD)的小波系數特征,最后用無監(jiān)督自組織映射(Self-Organizing Map, S0M)和監(jiān)督多層感知(Mult1-Layer Perceptron, MLP)兩種神經網絡分類器來對不和諧的瞬時鳥叫聲進行分類識別。文獻[5]在多種鳥聲重疊和存在自然噪聲的情況下，對兩種瀕臨滅絕的鳥類進行聲音檢測，用噪聲估計和譜減法去噪，根據鳥叫聲監(jiān)視鳥類種群。文獻[6]利用諧音特點提取基于音調的特征，用GMM進行建模，分別在白噪聲和真實噪聲環(huán)境下對95種鳥類的165段諧音鳥叫聲音節(jié)進行自動檢測和分類識別。
[0004]考慮到復雜生態(tài)環(huán)境中的鳥鳴不可避免地會參雜背景噪聲，許多研究者使用去噪方法來排除噪聲干擾，但這又會使得鳥鳴聲音失真或者殘留音樂噪聲，影響鳥鳴聲音分類識別性能。由此想到先從噪聲中檢測出有用鳥鳴聲音信號，再對其進行分類識別，這樣可以提高效率和性能。而傳統(tǒng)的端點檢測方法，比如短時能量和過零率的雙門限方法，在無噪聲情況下效果較好，但是在復雜的噪聲環(huán)境中，其效果不夠理想。由此引入能量檢測方法，但是傳統(tǒng)的能量檢測方法需要噪聲的先驗知識，且沒有針對性。

【發(fā)明內容】

[0005]本發(fā)明的目的是提供一種復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，通過該方法提取的WPSCC特征具有較好的抗噪功能，且經過自適應能量檢測后的識別性能更佳，更適用于復雜環(huán)境下的鳥鳴識別，對復雜環(huán)境下含噪鳥鳴聲音具有較好的分類識別效果O
[0006]本發(fā)明采用以下方案實現:一種復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在于包括以下步驟:
[0007]步驟1，根據鳥叫聲頻率分布情況將聲音分成三個頻帶；
[0008]步驟2，對包含有噪聲的鳥鳴聲音信號用基于噪聲功率譜估計和前景聲音存在概率的自適應能量檢測方法檢測并篩選出有用鳥鳴信號；
[0009]步驟3，根據Mel尺度的分布，對有用鳥鳴信號提取Mel尺度的小波包分解子帶倒譜系數(WPSCC)特征；
[0010]步驟4，用支持向量機(SVM)分類器分別對提取的Mel尺度的小波包分解子帶倒譜系數(WPSCC)和麥爾頻率倒譜系數(MFCC)特征進行建模分類識別。
[0011]本發(fā)明在傳統(tǒng)能量檢測的基礎上提出改進的自適應能量檢測方法，利用噪聲功率譜估計出噪聲方差和前景聲音存在概率，從而導出檢測閾值，構成自適應能量檢測，對含噪鳥叫聲進行檢測，濾除純粹是噪聲信號的成分，僅保留含有鳥叫聲信號的部分，為后續(xù)的分類識別節(jié)省開銷，提高效率。為了更好地分類識別鳥鳴聲音，提高效率和性能，針對來自不同未知環(huán)境聲源的鳥鳴聲，本發(fā)明使用自適應能量檢測的方法從復雜噪聲中檢測出鳥鳴聲，在保證聲音完整性的情況下濾去無用聲音信息幀。在此基礎上，根據人耳聽覺感知特性，對檢測篩選出的聲音信號幀提取基于Mel尺度的小波包分解子帶倒譜系數(WaveletPacket decomposition Subband Cepstral Coefficient, WPSCC)抗噪特征。與其他分類器相比，支持向量機(Support Vector Machine, SVM)的效率和識別率較高，其建立的模型具有較好的“魯棒”性，因此本發(fā)明選擇它作為分類器來對鳥鳴聲音進行分類識別。通過15類鳥鳴聲音的實驗表明，本發(fā)明提出的自適應能量檢測后提取WPSCC抗噪特征并結合SVM的分類識別方法，對復雜環(huán)境下含噪鳥鳴聲音具有較好的分類識別效果。
【專利附圖】

【附圖說明】
[0012]圖1是傳統(tǒng)能量檢測原理示意圖。
[0013]圖2是自適應能量檢測流程。
[0014]圖3是Mel尺度小波包分解示意圖。
[0015]圖4是WPSCC特征提取流程示意圖。
[0016]圖5a是高斯白噪聲環(huán)境下的鳥鳴識別率。
[0017]圖5b是流水噪聲環(huán)境下的鳥鳴識別率。
[0018]圖5c是汽車噪聲環(huán)境下WPSCC的鳥鳴識別率。
【具體實施方式】
[0019]下面結合附圖及實施例對本發(fā)明做進一步說明。
[0020]首先，為了讓一般技術人員更好的理解本發(fā)明，這里介紹傳統(tǒng)能量檢測方法。能量檢測[7]技術多用于認知無線電中的頻譜感知檢測，該方法通過比較在特定時間內的信號能量與預先設置的判決門限做出是否存在有用信號的判決，無需預先知道未知信號的任何先驗知識，本發(fā)明利用此技術來檢測噪聲環(huán)境下的有用鳥鳴聲音信號，過濾噪聲幀，其檢測原理如圖1所示。[0021]本發(fā)明中的噪聲信號為加性噪聲，整個檢測過程可視為如下二元檢驗假設模型問
題[8]:
[0022]
【權利要求】
1.一種復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在于包括以下步驟: 步驟1，根據鳥叫聲頻率分布情況將聲音分成三個頻帶； 步驟2，對包含有噪聲的鳥鳴聲音信號用基于噪聲功率譜估計和前景聲音存在概率的自適應能量檢測方法檢測并篩選出有用鳥鳴信號； 步驟3，根據Mel尺度的分布，對有用鳥鳴信號提取Mel尺度的小波包分解子帶倒譜系數(WPSCC)特征； 步驟4，用支持向量機(SVM)分類器分別對提取的Mel尺度的小波包分解子帶倒譜系數(WPSCC)和麥爾頻率倒譜系數(MFCC)特征進行建模分類識別。
2.根據權利要求1所述的復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在于:所述步驟I中，將聲音信號的功率譜頻率分成三個無重疊的線性頻帶，其定義如下:
3.根據權利要求2所述的復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在于:所述步驟2中，對包含有噪聲的鳥鳴聲音信號用基于噪聲功率譜估計，以推出自適應能量檢測判決所用的估計的噪聲方差；具體實現步驟如下: (1)計算帶噪聲音的平滑功率譜；假設觀察聲音信號是Y(n)由純凈前景聲音信號S(n)和加性背景噪聲W(n)兩部分構成，且其經過分幀、加窗、傅里葉變換后得到短時幅度譜Y(f，k):
4.根據權利要求2所述的復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在 于：所述步驟2中，前景聲音存在概率的自適應能量檢測方法推導出具有針對性的自適應 能量檢測閾值，計算方式如下：第i頻帶第f幀的前景聲音存在概率Pi (f，k)由公式（15) (16) (17)推導變?yōu)?22)；
5.根據權利要求2所述的復雜環(huán)境下基于自適應能量檢測的鳥鳴識別方法，其特征在于:所述步驟3的實現方式為: 1)使用Mel尺度小波包變換分解代替傅立葉變換；對聲音信號進行6層小波包分解，從64個小波包分解的子頻帶中選取24個子帶,求出每一個子帶的小波包分解系數WP (i, j),其中i=l，2,...,1為子頻帶索引，L = 24為子頻帶總數，j=l, 2，...，Ni為小波系數索弓丨，Ni為第i頻帶的小波系數總數； 2)計算每個子頻帶i的總能量
【文檔編號】G10L17/02GK103489446SQ201310470092
【公開日】2014年1月1日 申請日期:2013年10月10日 優(yōu)先權日:2013年10月10日
【發(fā)明者】李應, 張小霞 申請人:福州大學