基于BP神经网络的闽江口湿地鸟类物种识别的研究

◆林 菡 邢婷婷 吴帆旭

基于BP神经网络的闽江口湿地鸟类物种识别的研究

◆林 菡 邢婷婷 吴帆旭

（福建农林大学东方学院信息工程系 福建350715）

闽江口湿地作为亚太地区候鸟迁徙途中重要的一处落脚站，不乏有一些易危、濒危或极度濒危的鸟类，为了研究和保护这些候鸟，本课题以图像识别技术的主要方法为背景，采用了一种基于小波变换和KL变换进行候鸟特征提取，并以BP神经网络作为分类器研究设计出一套适用于闽江口湿地复杂环境下的候鸟识别方案。

BP神经网络；KL变换；小波变换；鸟类识别；分类器

0 引言

随着全球环境的日益恶化，动植物生存环境破坏严重，许多物种濒临灭绝的危险，其中，鸟类物种也因各种因素而遭受危害。为了提高人们对于鸟类的保护意识，人们尝试利用物联网技术与图像识别技术等对鸟类进行观测与识别，以此达到保护的目的，但是，目前使用的鉴定研究在实践中并不十分有效。因此，为了解决鸟类物种鉴定问题，提高识别准确性，将BP神经网络引入鸟类物种鉴定分类中。将图像识别技术与鸟类观察与保护相结合，对鸟类物种鉴定和湿地网络保护进行深入研究，具有重要的现实意义和应用前景。

一般鸟类调查主要采用了人工调查方法，利用人工观测记录数据，包括通过人工进行样本比对获取或者通过人工直接计数来统计信息。这种情况下，需要大量的人力，物力和财力，并且调查的结果很容易受到调查人员视力和听力等主观因素的影响。近年来，红外热像仪技术已广泛应用于国内外野生动物调查和监测。然而，由于红外摄像机体积小，飞行速度快，距离地面移动距离长，许多鸟类难以被红外摄像机捕获，这增加了调查和监测结果的不确定性。因此，红外热像仪技术更适用于大中型陆地鸟类的监测，对非陆地鸟类的监测效果不理想。总之，传统的鸟类调查和监测方法存在不同的缺点，有必要研究新的方法来弥补上述缺点。

根据上述的情况，在这样的背景下，提出采用一种通过小波变换和KL变换得到鸟类特征，在利用BP神经网络用于鸟类特征分类，进而识别出鸟类的方法。

1 鸟类的物种特征的提取与选择

1.1 图像预处理

由于闽江口湿地环境和其他不定因素的影响，在通过无线摄像机所采集到的图像，在进行提取所需要的图片时可能存在一些噪点，而这些噪点会对后续的纹理信息的提取造成一定的影响和干扰。因此，为了在提取之前对图像执行中值滤波以尽可能地消除噪声干扰，对后期的操作的影响降到最低，对于采集到的图像会进行一次预处理，使得所得到的图像更为的明确。

1.2 鸟类纹理特征的提取与选择

对于闽江口湿地的鸟类进行区分，可以通过对鸟类的羽色进行判别，因为鸟类最具视觉意义的是其羽毛具有多样化的图像特征，因此在提取和选择图像特征时，选择将鸟类羽毛的纹理特征进行特征提取操作，并希望模拟人类视觉识别过程以提取和选择图像。通过这样的来达到较好的预期效果。

1.3 鸟类纹理特征的提取与选择

对于闽江口湿地的鸟类而言，我们在提取它的羽毛纹理特征时，都有一些共同之处，随着K-L变换在图像分析处理及图像识别领域的发展与广泛应用，我们采用K-L变换对其进行图像纹理的分析判别。通过使用K-L变换进行图像纹理分析，也有利于鸟类羽毛纹理特征的提取。

K-L变换通常也被人们叫作主成分变换，由于K-L变换是以一种基于统计学基本特性的一种变换，旨在寻找任意的符合统计学分布的数集中的主要分量的子集，同时它也是一种降维变化，K-L在消除特定特征之间的相关性，突出不同样本之间的差异性方面有着极其优良的效果，故而选择使用K-L变换进行鸟类羽毛纹理的差异性特征的提取处理。

其中，算法步骤如下：

( 1 ) 将每副鸟类图片列化，形成矩阵；

( 2 ) 求出协方差矩阵的特征值与特征向量；

( 3 ) 选择对应少量最大特征值的特征向量组成特征空间；

( 4 ) 每张鸟类图片映射为特征空间的某点，以其坐标作为特征向量。

其中协方差矩阵为：

协方差矩阵与自相关矩阵之转换关系为：

自相关矩阵为：

接下来求出R的特征向量与特征值：

降维至维，取前个特征向量，按照特征值大小从上到下排列形成变换矩阵。

2 BP神经网络

神经网络，又称人工神经网络（Artificial Neural Network）在机器学习（(Machine Learning）领域，是一种仿生的神经网络，即模仿动物的中枢神经系统，特别是大脑的结构与功能及其工作方式，是一种人工构建的近似于中枢神经系统的数学/计算模型，可以用来对一些问题进行估计或近似。在绝大多数的情况下，神经网络能够依据外部信息且在外部信息的基础之上对其内部构造做出相应的改进与变化，所以其是一种具备学习能力的自适应的系统。

BP神经网络（Back Propagation Neural Network）被称为基于误差反向传播算法的人工神经网络。它是最广泛使用的人工神经网络之一。它由输入层，输出层和一个或多个隐藏层组成。最常用的BP神经网络模型是单隐藏层感知器模型，即神经网络只包括一个输入层，一个隐藏层和一个输出层，其拓扑结构如图1所示：

图1 单隐层 BP 神经网络结构图

同时，BP神经网络的自学习过程是一种类似于有导师进行指导的学习，其基本构造是在输入层和输出层之间添加若干层的神经元。但是它们并没有与外部信息直接进行交流，但随着各项状态的变化，它们就会跟着影响到输入与输出之间的关系。并且每一层都可以有若干个神经节点。它的基本思想是输入信号通过输入层输入，输出层通过隐藏层的计算输出，输出值与设定好的标签值进行比较。误差反转从输出层进入到输入层。然而，神经网络的学习通常需要注重重复训练，同时由于重复训练的存在就会使误差值随着重复训练的次数的增加逐渐接近零并最终达到零。这时才会使输出与期望一致。因此，BP神经网络的学习需要耗费一定量的时间，并且一些学习过程必须重复多次，甚至多达104（甚至更多）次。原因是神经网络的权重系数W具有许多分量W1，W2，...Wn;也即是一个多参数修改系统。调整系统参数必须耗费时间。目前，提高神经网络的学习速度和减少重复次数非常重要。这也是实时控制中的关键问题。

2.1 BP神经网络下的分类器

在进行鸟类的基本纹理特征的提取后，再根据提取出来的特征参数进行训练，采用基于BP神经网络分类器对鸟进行分类识别.BP神经分类器训练步骤为：

( 1 ) 初始化：确定各层神经元数目，隐层节点的连接强度权值矩阵W，V随机赋值，节点的连接强度;误差E置零，确定最大迭代次数、最小误差。

( 2 ) 输入训练样本，得到网络的输出结果。

( 5 ) 检查整个神经网络的中误差是否达到需求，是则停止训练，没有则进入第二步开始训练，达到一定要求的训练量后停止。如图2所示：

图2 部分训练样本

3 图像识别分析

3.1 实验环境与实验数据

实验的硬件平台为Intel i5-6300HQ CPU，4G内存，GTX960 显卡，软件系统为Windows 10 操作系统，利用MATLAB进行具体的实验。

闽江河口湿地鸟类共有80余种，本次实验随机选取其中30类，自行采集样本图像。根据识别对象要求设计图像采集原则如下：①鸟类处于停落状态；②图像中的鸟类个体大小、清晰度可以进行鸟类物种辨别；③图像为彩色图像。每类采集10幅样本图像，合计300 幅图像，图像格式为png或jpg格式。经图像预处理后，每类取5幅作为训练样本，其余作为测试样本，共计150个训练样本，150个测试样本。

由数据我们可以得到，当学习率在0.31和0.41时，神经网络的检测效果较好，当学习率为0.31，结点数为32时，神经网络的检测效果为最佳状。

4 总结

湿地是一种十分特殊的生态系统，由于湿地永久或季节性的被水掩盖或者淹没，导致湿地中会产生许多的无氧过程（oxygen-free processes）。湿地同时也是陆生生态系统和水生生态系统之间的过渡性生态系统，因此湿地与森林、海洋并称为地球上三大生态系统，在保护物种多样性等方面，发挥着极其重要且不可忽视的作用，因为其具有强大的沉积和净化作用和丰富的鸟类物种，被誉为“地球之肾”、“鸟类的乐园”，是人类最为宝贵的环境资本之一，同时也是自然界中有生物多样性和生命力较为强盛的生态系统之一。

在最近几年以来，人类对湿地保护的意识进一步增强，湿地不但为鸟类提供了必要的生存环境，而且与人类的生存与发展有着十分密切的关联。湿地的保护和研究已经成为各个国家的基本认识。众多高校、研究所也为湿地研究成立了相关的部门

将图像分析与处理算法和BP神经网络相结合运用到鸟类的分类中，在于研究出鸟类的种类分类与自动分类识别系统，通过运用K-L变换，提取鸟类的羽毛的基本纹理特征，并通过BP神经网络进行分析和识别。成功率可以达到85%以上，本研究方法对鸟类的线上物种识别有着十分重要的实用意义。

[1]纪阳，张平．无线传感器网络的体系结构[J]．中兴通讯技术，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．无线传感器网络的节点自定位技术[J]．中兴通讯技术，2005，11(4)：51-56.

[4]高红.BP神经网络学习率的优化方法[J].长春师范学院学报(自然科学版)，2010(04).

[5]王华，程海青.自适应动量项BP神经网络盲均衡算法[J].计算机工程与设计，2010(06).

[6]陈思.BP神经网络学习率参数改进方法[J].长春师范学院学报(自然科学版)，2010(02).

[7]刘江华，陈佳品，程君实．基于Gabor小波特征提取和支持向量机的人脸识别[J]．计算机工程与应用，2003（8）.

[8]程思宁，武丹丹，张俊芬等．基于小波分析的人脸识别算法[J]．长春工业大学学报：自然科学版，2006（1）．

[9]周金萍．MATLAB 6.5图形图像处理与应用实例[M]．科学出版社，2003．

[10]庄晨辉．湿地与水鸟[M]．中国林业出版社，2009．

[11]何东健．数字图像处理，第2版[M]．西安电子科技大学出版社，2008．

[12]黄志开．彩色图像特征提取与植物分类研究[D]．合肥：中国科学技术大学，2006.

福建省教育厅中青年教师教育科研项目（项目编号：JAT170898）。