首页 > 分享 > 基于鸣声的鸟类智能识别方法研究

基于鸣声的鸟类智能识别方法研究

萌宠菠菠乐园
2024-09-22 06:51

Classification code: TN912 University code: 10712
UDC: 621 Postgraduate number: 2011051276
Confidentiality level: Public

Thesis for Masters Degree
Northwest A＆F University in 2014

RESEARCH OF BIRDS INTELLIGENT RECOGNITION
METHOD BASED ON CHIRM

Major: Agricultural Electrification and Automation
Research field: Intelligent Testing and Technology
Name of Postgraduate: Wang Enze
Adviser: Prof. He Dongjian
Date of submission: May, 2014

Yangling Shaanxi China
基于鸣声的鸟类智能识别方法研究

摘要

鸟类是湿地野生动物中最具代表性的类群，是湿地生态系统重要组成部分，也是监
测湿地环境质量重要的生物指标。鸟的种类确定对湿地生物多样性和生态平衡提供了重
要的依据。鸟类的鸣声和形态特征一样，具有物种的特性，是鸟类重要的生物学特征，
也是识别鸟类的重要依据。
本文针对我国经济开发和环境保护的矛盾突出，湿地资源遭受严重破坏的问题，在
分析现有声音识别技术原理与系统结构的基础上，研究基于鸣声的鸟类智能识别方法，
为实现湿地鸟类监测和迁徙规律提供技术支持。本文的主要工作和结论如下：
（1）在分析当前已有研究成果的优点与不足的基础上，根据鸟类鸣声的特点，提
出了分别处理鸣叫声和鸣唱声，采用双重高斯混合模型的设计方案。
（2）综合考虑声音样本的多寡、地域的合理性、科目的差异和鸣声类型等因素，
选择以陕西地区常见的黄臀鹎、矛纹草鹛、北红尾鸲、绿背山雀、方尾鹟、红嘴相思鸟、
黄喉鹀和淡尾鹟莺 8 种鸟类为研究对象，收集其鸣声，并使用 Goldwave 软件对声音样
本进行除噪、裁剪等预处理。
（3）在分析 Mel 倒谱系数（MFCC）理论基础和实现方案基础上，对 MFCC 进行
了改进，提出一种新的特征参数 MFCCA，并对其在正确识别率和识别效率上进行实验。
实验结果表明，MFCCA 特征参数具有更好的灵活性和鲁棒性，更适合作为鸟类鸣声的
特征参数。
（4）根据鸟类鸣声分为鸣叫声和鸣唱声的特点，打破以前采用单高斯混合模型
（GMM）的传统，分别对每种鸟类建立鸣叫声 GMM 模型和鸣唱声 GMM 模型，并进
行正确识别率和识别效率的实验。结果表明，当采用双重 GMM 模型时，识别效果最好，
并且识别效率影响不大。并讨论不同阶数对与 GMM 模型的影响，结果表明当 GMM 模
型的阶数为 32 时识别效果最好。
（5）选取陕西地区 50 种鸟类，提取 MFCCA 特征参数，建立双重 GMM 模型，并
设计测试软件进行测试，结果表明，本文提出的鸟类智能识别方法的正确识别率能