基于BP神經網絡的閩江口濕地鳥類物種識別的研究

◆林 菡 邢婷婷 吳帆旭

基于BP神經網絡的閩江口濕地鳥類物種識別的研究

◆林 菡 邢婷婷 吳帆旭

（福建農林大學東方學院信息工程系 福建350715）

閩江口濕地作為亞太地區候鳥遷徙途中重要的一處落腳站，不乏有一些易危、瀕危或極度瀕危的鳥類，為了研究和保護這些候鳥，本課題以圖像識別技術的主要方法為背景，采用了一種基于小波變換和KL變換進行候鳥特征提取，并以BP神經網絡作為分類器研究設計出一套適用于閩江口濕地復雜環境下的候鳥識別方案。

BP神經網絡；KL變換；小波變換；鳥類識別；分類器

0 引言

隨著全球環境的日益惡化，動植物生存環境破壞嚴重，許多物種瀕臨滅絕的危險，其中，鳥類物種也因各種因素而遭受危害。為了提高人們對于鳥類的保護意識，人們嘗試利用物聯網技術與圖像識別技術等對鳥類進行觀測與識別，以此達到保護的目的，但是，目前使用的鑒定研究在實踐中并不十分有效。因此，為了解決鳥類物種鑒定問題，提高識別準確性，將BP神經網絡引入鳥類物種鑒定分類中。將圖像識別技術與鳥類觀察與保護相結合，對鳥類物種鑒定和濕地網絡保護進行深入研究，具有重要的現實意義和應用前景。

一般鳥類調查主要采用了人工調查方法，利用人工觀測記錄數據，包括通過人工進行樣本比對獲取或者通過人工直接計數來統計信息。這種情況下，需要大量的人力，物力和財力，并且調查的結果很容易受到調查人員視力和聽力等主觀因素的影響。近年來，紅外熱像儀技術已廣泛應用于國內外野生動物調查和監測。然而，由于紅外攝像機體積小，飛行速度快，距離地面移動距離長，許多鳥類難以被紅外攝像機捕獲，這增加了調查和監測結果的不確定性。因此，紅外熱像儀技術更適用于大中型陸地鳥類的監測，對非陸地鳥類的監測效果不理想。總之，傳統的鳥類調查和監測方法存在不同的缺點，有必要研究新的方法來彌補上述缺點。

根據上述的情況，在這樣的背景下，提出采用一種通過小波變換和KL變換得到鳥類特征，在利用BP神經網絡用于鳥類特征分類，進而識別出鳥類的方法。

1 鳥類的物種特征的提取與選擇

1.1 圖像預處理

由于閩江口濕地環境和其他不定因素的影響，在通過無線攝像機所采集到的圖像，在進行提取所需要的圖片時可能存在一些噪點，而這些噪點會對后續的紋理信息的提取造成一定的影響和干擾。因此，為了在提取之前對圖像執行中值濾波以盡可能地消除噪聲干擾，對后期的操作的影響降到最低，對于采集到的圖像會進行一次預處理，使得所得到的圖像更為的明確。

1.2 鳥類紋理特征的提取與選擇

對于閩江口濕地的鳥類進行區分，可以通過對鳥類的羽色進行判別，因為鳥類最具視覺意義的是其羽毛具有多樣化的圖像特征，因此在提取和選擇圖像特征時，選擇將鳥類羽毛的紋理特征進行特征提取操作，并希望模擬人類視覺識別過程以提取和選擇圖像。通過這樣的來達到較好的預期效果。

1.3 鳥類紋理特征的提取與選擇

對于閩江口濕地的鳥類而言，我們在提取它的羽毛紋理特征時，都有一些共同之處，隨著K-L變換在圖像分析處理及圖像識別領域的發展與廣泛應用，我們采用K-L變換對其進行圖像紋理的分析判別。通過使用K-L變換進行圖像紋理分析，也有利于鳥類羽毛紋理特征的提取。

K-L變換通常也被人們叫作主成分變換，由于K-L變換是以一種基于統計學基本特性的一種變換，旨在尋找任意的符合統計學分布的數集中的主要分量的子集，同時它也是一種降維變化，K-L在消除特定特征之間的相關性，突出不同樣本之間的差異性方面有著極其優良的效果，故而選擇使用K-L變換進行鳥類羽毛紋理的差異性特征的提取處理。

其中，算法步驟如下：

( 1 ) 將每副鳥類圖片列化，形成矩陣；

( 2 ) 求出協方差矩陣的特征值與特征向量；

( 3 ) 選擇對應少量最大特征值的特征向量組成特征空間；

( 4 ) 每張鳥類圖片映射為特征空間的某點，以其坐標作為特征向量。

其中協方差矩陣為：

協方差矩陣與自相關矩陣之轉換關系為：

自相關矩陣為：

接下來求出R的特征向量與特征值：

降維至維，取前個特征向量，按照特征值大小從上到下排列形成變換矩陣。

2 BP神經網絡

神經網絡，又稱人工神經網絡（Artificial Neural Network）在機器學習（(Machine Learning）領域，是一種仿生的神經網絡，即模仿動物的中樞神經系統，特別是大腦的結構與功能及其工作方式，是一種人工構建的近似于中樞神經系統的數學/計算模型，可以用來對一些問題進行估計或近似。在絕大多數的情況下，神經網絡能夠依據外部信息且在外部信息的基礎之上對其內部構造做出相應的改進與變化，所以其是一種具備學習能力的自適應的系統。

BP神經網絡（Back Propagation Neural Network）被稱為基于誤差反向傳播算法的人工神經網絡。它是最廣泛使用的人工神經網絡之一。它由輸入層，輸出層和一個或多個隱藏層組成。最常用的BP神經網絡模型是單隱藏層感知器模型，即神經網絡只包括一個輸入層，一個隱藏層和一個輸出層，其拓撲結構如圖1所示：

圖1 單隱層 BP 神經網絡結構圖

同時，BP神經網絡的自學習過程是一種類似于有導師進行指導的學習，其基本構造是在輸入層和輸出層之間添加若干層的神經元。但是它們并沒有與外部信息直接進行交流，但隨著各項狀態的變化，它們就會跟著影響到輸入與輸出之間的關系。并且每一層都可以有若干個神經節點。它的基本思想是輸入信號通過輸入層輸入，輸出層通過隱藏層的計算輸出，輸出值與設定好的標簽值進行比較。誤差反轉從輸出層進入到輸入層。然而，神經網絡的學習通常需要注重重復訓練，同時由于重復訓練的存在就會使誤差值隨著重復訓練的次數的增加逐漸接近零并最終達到零。這時才會使輸出與期望一致。因此，BP神經網絡的學習需要耗費一定量的時間，并且一些學習過程必須重復多次，甚至多達104（甚至更多）次。原因是神經網絡的權重系數W具有許多分量W1，W2，...Wn;也即是一個多參數修改系統。調整系統參數必須耗費時間。目前，提高神經網絡的學習速度和減少重復次數非常重要。這也是實時控制中的關鍵問題。

2.1 BP神經網絡下的分類器

在進行鳥類的基本紋理特征的提取后，再根據提取出來的特征參數進行訓練，采用基于BP神經網絡分類器對鳥進行分類識別.BP神經分類器訓練步驟為：

( 1 ) 初始化：確定各層神經元數目，隱層節點的連接強度權值矩陣W，V隨機賦值，節點的連接強度;誤差E置零，確定最大迭代次數、最小誤差。

( 2 ) 輸入訓練樣本，得到網絡的輸出結果。

( 5 ) 檢查整個神經網絡的中誤差是否達到需求，是則停止訓練，沒有則進入第二步開始訓練，達到一定要求的訓練量后停止。如圖2所示：

圖2 部分訓練樣本

3 圖像識別分析

3.1 實驗環境與實驗數據

實驗的硬件平臺為Intel i5-6300HQ CPU，4G內存，GTX960 顯卡，軟件系統為Windows 10 操作系統，利用MATLAB進行具體的實驗。

閩江河口濕地鳥類共有80余種，本次實驗隨機選取其中30類，自行采集樣本圖像。根據識別對象要求設計圖像采集原則如下：①鳥類處于停落狀態；②圖像中的鳥類個體大小、清晰度可以進行鳥類物種辨別；③圖像為彩色圖像。每類采集10幅樣本圖像，合計300 幅圖像，圖像格式為png或jpg格式。經圖像預處理后，每類取5幅作為訓練樣本，其余作為測試樣本，共計150個訓練樣本，150個測試樣本。

由數據我們可以得到，當學習率在0.31和0.41時，神經網絡的檢測效果較好，當學習率為0.31，結點數為32時，神經網絡的檢測效果為最佳狀。

4 總結

濕地是一種十分特殊的生態系統，由于濕地永久或季節性的被水掩蓋或者淹沒，導致濕地中會產生許多的無氧過程（oxygen-free processes）。濕地同時也是陸生生態系統和水生生態系統之間的過渡性生態系統，因此濕地與森林、海洋并稱為地球上三大生態系統，在保護物種多樣性等方面，發揮著極其重要且不可忽視的作用，因為其具有強大的沉積和凈化作用和豐富的鳥類物種，被譽為“地球之腎”、“鳥類的樂園”，是人類最為寶貴的環境資本之一，同時也是自然界中有生物多樣性和生命力較為強盛的生態系統之一。

在最近幾年以來，人類對濕地保護的意識進一步增強，濕地不但為鳥類提供了必要的生存環境，而且與人類的生存與發展有著十分密切的關聯。濕地的保護和研究已經成為各個國家的基本認識。眾多高校、研究所也為濕地研究成立了相關的部門

將圖像分析與處理算法和BP神經網絡相結合運用到鳥類的分類中，在于研究出鳥類的種類分類與自動分類識別系統，通過運用K-L變換，提取鳥類的羽毛的基本紋理特征，并通過BP神經網絡進行分析和識別。成功率可以達到85%以上，本研究方法對鳥類的線上物種識別有著十分重要的實用意義。

[1]紀陽，張平．無線傳感器網絡的體系結構[J]．中興通訊技術，2005，11(4)：32-3576.

[2]J.M.KahnR.H.Katz，and K.S.J.Pister，Emerging Challe-nges：Mobile Networkingfor Smart Dust[J].J.of Commun.and Networks，September 2000，2(3)：188-196.

[3]周正．無線傳感器網絡的節點自定位技術[J]．中興通訊技術，2005，11(4)：51-56.

[4]高紅.BP神經網絡學習率的優化方法[J].長春師范學院學報(自然科學版)，2010(04).

[5]王華，程海青.自適應動量項BP神經網絡盲均衡算法[J].計算機工程與設計，2010(06).

[6]陳思.BP神經網絡學習率參數改進方法[J].長春師范學院學報(自然科學版)，2010(02).

[7]劉江華，陳佳品，程君實．基于Gabor小波特征提取和支持向量機的人臉識別[J]．計算機工程與應用，2003（8）.

[8]程思寧，武丹丹，張俊芬等．基于小波分析的人臉識別算法[J]．長春工業大學學報：自然科學版，2006（1）．

[9]周金萍．MATLAB 6.5圖形圖像處理與應用實例[M]．科學出版社，2003．

[10]莊晨輝．濕地與水鳥[M]．中國林業出版社，2009．

[11]何東健．數字圖像處理，第2版[M]．西安電子科技大學出版社，2008．

[12]黃志開．彩色圖像特征提取與植物分類研究[D]．合肥：中國科學技術大學，2006.

福建省教育廳中青年教師教育科研項目（項目編號：JAT170898）。