基于BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(nóng)林大學(xué)東方學(xué)院信息工程系 福建350715）

閩江口濕地作為亞太地區(qū)候鳥遷徙途中重要的一處落腳站，不乏有一些易危、瀕?；驑O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(shù)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(jīng)網(wǎng)絡(luò)作為分類器研究設(shè)計出一套適用于閩江口濕地復(fù)雜環(huán)境下的候鳥識別方案。

BP神經(jīng)網(wǎng)絡(luò)；KL變換；小波變換；鳥類識別；分類器

0 引言

隨著全球環(huán)境的日益惡化，動植物生存環(huán)境破壞嚴(yán)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?yán)梦锫?lián)網(wǎng)技術(shù)與圖像識別技術(shù)等對鳥類進行觀測與識別，以此達(dá)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(zhǔn)確性，將BP神經(jīng)網(wǎng)絡(luò)引入鳥類物種鑒定分類中。將圖像識別技術(shù)與鳥類觀察與保護相結(jié)合，對鳥類物種鑒定和濕地網(wǎng)絡(luò)保護進行深入研究，具有重要的現(xiàn)實意義和應(yīng)用前景。

一般鳥類調(diào)查主要采用了人工調(diào)查方法，利用人工觀測記錄數(shù)據(jù)，包括通過人工進行樣本比對獲取或者通過人工直接計數(shù)來統(tǒng)計信息。這種情況下，需要大量的人力，物力和財力，并且調(diào)查的結(jié)果很容易受到調(diào)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(shù)已廣泛應(yīng)用于國內(nèi)外野生動物調(diào)查和監(jiān)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(diào)查和監(jiān)測結(jié)果的不確定性。因此，紅外熱像儀技術(shù)更適用于大中型陸地鳥類的監(jiān)測，對非陸地鳥類的監(jiān)測效果不理想?？傊?，傳統(tǒng)的鳥類調(diào)查和監(jiān)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(jù)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(jīng)網(wǎng)絡(luò)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(yù)處理

由于閩江口濕地環(huán)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(xù)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(zhí)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(yù)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(qū)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(dá)到較好的預(yù)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(lǐng)域的發(fā)展與廣泛應(yīng)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(tǒng)計學(xué)基本特性的一種變換，旨在尋找任意的符合統(tǒng)計學(xué)分布的數(shù)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(guān)性，突出不同樣本之間的差異性方面有著極其優(yōu)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(xié)方差矩陣的特征值與特征向量；

( 3 ) 選擇對應(yīng)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(biāo)作為特征向量。

其中協(xié)方差矩陣為：

協(xié)方差矩陣與自相關(guān)矩陣之轉(zhuǎn)換關(guān)系為：

自相關(guān)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(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)，又稱人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）在機器學(xué)習(xí)（(Machine Learning）領(lǐng)域，是一種仿生的神經(jīng)網(wǎng)絡(luò)，即模仿動物的中樞神經(jīng)系統(tǒng)，特別是大腦的結(jié)構(gòu)與功能及其工作方式，是一種人工構(gòu)建的近似于中樞神經(jīng)系統(tǒng)的數(shù)學(xué)/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(shù)的情況下，神經(jīng)網(wǎng)絡(luò)能夠依據(jù)外部信息且在外部信息的基礎(chǔ)之上對其內(nèi)部構(gòu)造做出相應(yīng)的改進與變化，所以其是一種具備學(xué)習(xí)能力的自適應(yīng)的系統(tǒng)。

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）被稱為基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)。它是最廣泛使用的人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型是單隱藏層感知器模型，即神經(jīng)網(wǎng)絡(luò)只包括一個輸入層，一個隱藏層和一個輸出層，其拓?fù)浣Y(jié)構(gòu)如圖1所示：

圖1 單隱層 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

同時，BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)過程是一種類似于有導(dǎo)師進行指導(dǎo)的學(xué)習(xí)，其基本構(gòu)造是在輸入層和輸出層之間添加若干層的神經(jīng)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(tài)的變化，它們就會跟著影響到輸入與輸出之間的關(guān)系。并且每一層都可以有若干個神經(jīng)節(jié)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(shè)定好的標(biāo)簽值進行比較。誤差反轉(zhuǎn)從輸出層進入到輸入層。然而，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)通常需要注重重復(fù)訓(xùn)練，同時由于重復(fù)訓(xùn)練的存在就會使誤差值隨著重復(fù)訓(xùn)練的次數(shù)的增加逐漸接近零并最終達(dá)到零。這時才會使輸出與期望一致。因此，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)需要耗費一定量的時間，并且一些學(xué)習(xí)過程必須重復(fù)多次，甚至多達(dá)104（甚至更多）次。原因是神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)W具有許多分量W1，W2，...Wn;也即是一個多參數(shù)修改系統(tǒng)。調(diào)整系統(tǒng)參數(shù)必須耗費時間。目前，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度和減少重復(fù)次數(shù)非常重要。這也是實時控制中的關(guān)鍵問題。

2.1 BP神經(jīng)網(wǎng)絡(luò)下的分類器

在進行鳥類的基本紋理特征的提取后，再根據(jù)提取出來的特征參數(shù)進行訓(xùn)練，采用基于BP神經(jīng)網(wǎng)絡(luò)分類器對鳥進行分類識別.BP神經(jīng)分類器訓(xùn)練步驟為：

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

( 2 ) 輸入訓(xùn)練樣本，得到網(wǎng)絡(luò)的輸出結(jié)果。

( 5 ) 檢查整個神經(jīng)網(wǎng)絡(luò)的中誤差是否達(dá)到需求，是則停止訓(xùn)練，沒有則進入第二步開始訓(xùn)練，達(dá)到一定要求的訓(xùn)練量后停止。如圖2所示：

圖2 部分訓(xùn)練樣本

3 圖像識別分析

3.1 實驗環(huán)境與實驗數(shù)據(jù)

實驗的硬件平臺為Intel i5-6300HQ CPU，4G內(nèi)存，GTX960 顯卡，軟件系統(tǒng)為Windows 10 操作系統(tǒng)，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(jù)識別對象要求設(shè)計圖像采集原則如下：①鳥類處于停落狀態(tài)；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(jīng)圖像預(yù)處理后，每類取5幅作為訓(xùn)練樣本，其余作為測試樣本，共計150個訓(xùn)練樣本，150個測試樣本。

由數(shù)據(jù)我們可以得到，當(dāng)學(xué)習(xí)率在0.31和0.41時，神經(jīng)網(wǎng)絡(luò)的檢測效果較好，當(dāng)學(xué)習(xí)率為0.31，結(jié)點數(shù)為32時，神經(jīng)網(wǎng)絡(luò)的檢測效果為最佳狀。

4 總結(jié)

濕地是一種十分特殊的生態(tài)系統(tǒng)，由于濕地永久或季節(jié)性的被水掩蓋或者淹沒，導(dǎo)致濕地中會產(chǎn)生許多的無氧過程（oxygen-free processes）。濕地同時也是陸生生態(tài)系統(tǒng)和水生生態(tài)系統(tǒng)之間的過渡性生態(tài)系統(tǒng)，因此濕地與森林、海洋并稱為地球上三大生態(tài)系統(tǒng)，在保護物種多樣性等方面，發(fā)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(huán)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(tài)系統(tǒng)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(huán)境，而且與人類的生存與發(fā)展有著十分密切的關(guān)聯(lián)。濕地的保護和研究已經(jīng)成為各個國家的基本認(rèn)識。眾多高校、研究所也為濕地研究成立了相關(guān)的部門

將圖像分析與處理算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)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(tǒng)，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(jīng)網(wǎng)絡(luò)進行分析和識別。成功率可以達(dá)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(jì)陽，張平．無線傳感器網(wǎng)絡(luò)的體系結(jié)構(gòu)[J]．中興通訊技術(shù)，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(wǎng)絡(luò)的節(jié)點自定位技術(shù)[J]．中興通訊技術(shù)，2005，11(4)：51-56.

[4]高紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化方法[J].長春師范學(xué)院學(xué)報(自然科學(xué)版)，2010(04).

[5]王華，程海青.自適應(yīng)動量項BP神經(jīng)網(wǎng)絡(luò)盲均衡算法[J].計算機工程與設(shè)計，2010(06).

[6]陳思.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率參數(shù)改進方法[J].長春師范學(xué)院學(xué)報(自然科學(xué)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(yīng)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(yè)大學(xué)學(xué)報：自然科學(xué)版，2006（1）．

[9]周金萍．MATLAB 6.5圖形圖像處理與應(yīng)用實例[M]．科學(xué)出版社，2003．

[10]莊晨輝．濕地與水鳥[M]．中國林業(yè)出版社，2009．

[11]何東?。?dāng)?shù)字圖像處理，第2版[M]．西安電子科技大學(xué)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(xué)技術(shù)大學(xué)，2006.

福建省教育廳中青年教師教育科研項目（項目編號：JAT170898）。