基于SVM湿地鸟类物种识别方法.docVIP

基于SVM湿地鸟类物种识别方法 　　摘要：随着图像识别技术与物联网技术的迅速发展，对于动植物进行联网物种识别成为一个备受关注的研究热点。将闽江口湿地水鸟在线监测保护作为研究对象，把图像分析处理技术引入到鸟类物种在线识别的研究中，通过分析，利用鸟类彩色图像的颜色、形状和纹理等特征，提出了一个基于SVM决策树的分类方法。该方法的分类能力、泛化性能和分类正确率都较过去方法有所提高。经过多次试验，验证了这个方法可解决多类多分问题，并实现了对闽江口多种鸟类的有效分类识别。 　　关键词：SVM；特征提取；鸟类物种识别 　　中图分类号：TP317.4文献标识码：A文章编号：1672-7800（2012）012-0165-03 　　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，许多物质濒临灭绝的危险，其中，鸟类物种也因各种因素而遭受危害。为了提高对于鸟类保护的意识，人们试图运用图像???别技术与物联网技术进行鸟类观测与识别保护，但是，目前所采用的语言识别研究在实际中并不是很有效。因此，为了解决鸟类物种识别并提高识别的准确度，将图像分析处理引入鸟类物种识别分类，研究基于彩色图像的鸟类物种联网在线自动分类识别机制尤为必要。图像识别技术与鸟类观测保护相结合，开展深入的鸟类物种识别和湿地联网保护研究，将具有重大的生态和社会意义。 　　1鸟类物种特征的提取与选择 　　1.1鸟类颜色特征的提取与选择 　　鸟类的羽毛颜色作为颜色特征是最为直观显著的彩色图像特征，不但反映了彩色图像的整体特性，而且具有旋转、平移不变性、尺度和较高的鲁棒性。因此，颜色特征的提取与选择是图像特征提取与选择的重要内容。目前，主要的颜色特征表示方法有直方图、颜色矩、颜色集及颜色相关图等。 　　1.2形状特征提取与选择 　　鸟类的体形也即是其形状特征，利用鸟类形状特征的几何属性和统计特性来进行描述，提取形状特征来区分鸟类的品种。例如，不变矩是图像检索最常用的形状特征。由于图像区域的某些矩对于平移、旋转、尺度等几何变换具有一些不变的特性，因此，矩的表示方法在目标物体的分类、识别上具有重要意义。 　　1.3鸟类纹理特征的提取与选择 　　对于鸟类的物种而言，其纹理特征都有所不同。随着Gabor滤波在数字图像分析处理及识别领域的广泛应用，通过Gabor滤波和小波变换进行图像纹理分析，有利于鸟类图像纹理特征的提取。 　　利用塔式算法（又称Mallat算法）将小波理论和传统的滤波联系起来，并且使得人们在进行小波变换时不必给出小波的具体表达式，大大降低了小波的应用难度。 　　假设尺度函数φj，k（x）和小波函数Ψj，k（x）对应的滤波器系数矩阵分别用H和G表示，原始图像用C0表示，则可得图像的二维小波分解为：Cj+1=HCJh*Dhj+1=GCjH* 　　Dvj+1=HCjG*Ddj+1=GCjG*（1）将图像进行分解，每次分解后得到4个部分，分别用LL、HL、LH、HH表示。子带LL为低频成分，代表近似分量，携带了原图像的大部分信息。LH、HL、HH为高频成分，是细节分量，携带了原始图像的细节信息。其中，LH表示垂直细节分量，HL表示水平细节分量，HH表示对角细节分量。如图1所示，给出了图像3层小波分解的结构图，是鸟类图像的小波分解实例。 　　2多类分类研究 　　鸟类的物种图像识别分类是一个多分类的问题，综合考虑到鸟类物种的特征表达及分类器的设计等问题，最终决定选用基于层次分解的决策树方案来解决这个问题。该方法将SVM与二叉决策树的思想结合在一起来考虑，生成的多类别分类器如图2所示。 　　3基于SVM决策树的鸟类图像自动识别 　　3.1自动识别流程 　　自动识别流程如图3所示。 　　3.2图像的预处理 　　由于鸟类图像的获取环境不同，如摄像角度、光照强度具有不确定性，再加上成像设备、摄影技术方面的差异，使得鸟类图像受到不同程度的降质问题。对于同一物种的鸟类，其图像数据可能存在较大的差异，而不同物种的鸟类，其图像数据可能由于这些因素存在差异反而变小。因此，在提取特征之前，必须对鸟类采取一些措施，减少同一物种鸟类之间的差异，增强不同物种鸟类之间的差异。这些措施又称为图像预处理，分别为规格化图像、去除背景和光线补偿。 　　3.3带先验信息的SVM决策树分类 　　结合特征提取与分析选择，对图3中的层次分类器进行进一步细化设计，提出一种带先验信息的SVM决策树分类方案，如图4所示。该方案是基于层次分解的，共分为4层分类器。分别为特殊颜色分类器、颜色统计特征分类器、形状分类器及纹理分类器。 　　3.3.1特殊色分类器 　　特殊色分类器是基于先验知识的分类器，属于非监督的分类器。它用于提取蓝绿色和浅红色并进行粗分类。 　　以绿嘴鸭、遗鸥为例，经过实验分析，提取浅红色特征的范围为0≤H≤0.34