利用抗噪幂归一化倒谱系数的鸟类声音识别

针对真实环境中各种背景噪声下的鸟类声音识别问题,提出了一种基于新型抗噪特征提取的鸟类声音识别技术.首先,根据适用于高度非平稳环境下的噪声估计算法求出噪声功率谱.其次,使用多频带谱减法对声音功率谱进行降噪处理.接着,结合降噪的声音功率谱提取抗噪幂归一化倒谱系数(APNCC).最后,采用支持向量机(SVM)分别对提取的APNCC,幂归一化倒谱系数(PNCC)和Mel频率倒谱系数(MFCC)对34种鸟类声音进行不同环境和信噪比情况下的对比实验.实验表明,提取的APNCC具有较好的平均识别效果及较强的噪声鲁棒性,更适用于信噪比低于30dB环境下的鸟类声音识别.

基于Radon和平移不变性小波变换的鸟类声音识别

针对低信噪比(SNR)环境下鸟叫声识别率不够高的问题,提出一种对声谱图进行Radon变换(RT)和平移不变性离散小波变换(TIDWT)的抗噪型鸟类声音识别技术。首先,使用改进的多频带谱减法对鸟叫声进行降噪处理;其次,利用短时能量检测降噪后的鸟叫声的静音段,并去除静音段;接着,将去除静音段的声音信号转化为声谱图,并对声谱图进行RT和TIDWT,提取特征值;最后,采用支持向量机(SVM)分类器对提取的特征值进行分类识别。实验结果表明,该方法在信噪比为10 dB及以下仍可以达到较好的识别效果。

基于深度学习的鸟声识别技术研究——以北京翠湖国家城市湿地公园为例

鸟类是生态系统的重要组成部分,在评估生态系统状态方面具有不可忽视的作用,因此鸟类的调查和监测对于保护生态环境和维护生物多样性至关重要。传统的鸟类监测手段需要消耗大量人力物力,并且结果的准确性和可靠性有限。针对这一问题,提出一种基于深度学习的鸟类声音数据分析识别系统,并在北京翠湖国家城市湿地公园进行应用示范,以验证系统的性能和准确性。该系统首先使用传统声音信号处理方法对前端拾音器采集的音频进行预处理,然后使用残差神经网络提取音频特征并进行分类,从而实现对目标声音所包含物种信息的自动识别。在系统运行期间,成功监测到有效鸟类声音片段共计200044条,其识别准确率达到93%。系统共识别出野生鸟类9目16科52种,其中,属于国家Ⅱ级重点保护野生动物有6种,分别是大天鹅、鸿雁、红角鸮、纵纹腹小鸮、蓝喉歌鸲、游隼;属于北京市重点保护野生动物共计22种,分别是苍鹭、夜鹭、普通鸬鹚、绿头鸭等。监测到音频片段中相对多度较高的前5个物种依次是苍鹭(26%)、鸿雁(16%)、夜鹭(13%)、白头鹎(11%)、普通鸬鹚(8%)。实验结果表明,该系统实现了对鸟类声音的自动采集和分析,显著提高了鸟类监测的效率,为风景园林的合理规划、生态节点的保留以及景观可持续性的提升提供了有力支持。