黃鴻鏗，李應(yīng)

（福州大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建 福州 350116）

動(dòng)物聲音自動(dòng)識(shí)別，對(duì)于動(dòng)物物種、種群及數(shù)量研究，生態(tài)環(huán)境分析具有重要意義。目前，對(duì)動(dòng)物聲音識(shí)別方法的研究有基于時(shí)間序列特征的動(dòng)物聲音識(shí)別[1]，通過各個(gè)音節(jié)延續(xù)的隱馬爾可夫模型的鳥類識(shí)別[2]，通過聲音模式對(duì)鳥類分類[3]。此外，還有借助于經(jīng)典的基于文本數(shù)據(jù)庫查詢方法，采用基于索引的動(dòng)物聲音檢索[4]以及在連續(xù)和真實(shí)的現(xiàn)場(chǎng)錄音中，識(shí)別特定的鳥類聲音[5]。我們也在近年的工作[6-7]中，通過自適應(yīng)能量檢測(cè)進(jìn)行鳥類聲音檢測(cè)；對(duì)聲譜圖提取灰度共生矩陣特征，并結(jié)合隨機(jī)森林(random forests,RF)[8]識(shí)別鳥類聲音。然而，對(duì)于自然環(huán)境下的各種低信噪比動(dòng)物聲音的識(shí)別，還缺乏有效的方法。

關(guān)于低信噪比聲音信號(hào)的分析、分類和識(shí)別，近期的研究包括小波包過濾的低信噪比聲音事件識(shí)別[9]；利用匹配追蹤 (matching pursuit，MP)算法從Gabor字典中選擇重要的原子，用主成分分析和線性判別分析確定聲音事件的特征，最后采用支持向量機(jī)(supported vector machine, SVM)分類器進(jìn)行分類識(shí)別[10]。以聲譜圖及其相關(guān)的特征為基礎(chǔ)，Dennis等[11]提出基于聲譜圖進(jìn)行偽著色并提取相關(guān)圖像特征的聲音事件識(shí)別方法。尤其，Dennis等[12]提出的子帶功率分布(subband power distribution, SPD)特征，在譜圖中將可靠的聲音事件與噪聲分開并去除不可靠區(qū)域，最后用最近鄰居分類器(k-nearest neighbor, kNN)對(duì)特征進(jìn)行識(shí)別。這種方法能在信噪比低至0時(shí)，可以識(shí)別相關(guān)的聲音事件。然而，由于環(huán)境聲的多變性，對(duì)于自然環(huán)境中0以下各種低信噪比動(dòng)物聲音及聲音事件，目前卻沒有更為有效的識(shí)別方法。

針對(duì)低信噪比動(dòng)物聲音及聲音事件的識(shí)別，以聲譜圖投影特征結(jié)合RF的動(dòng)物聲音識(shí)別方法[13]為基礎(chǔ)，該文提出一種Bark尺度的小波包分解系數(shù)重構(gòu)的頻譜投影(Bark scale Wavelet packet decomposition coefficient reconstructed spectral projection, BSP)特征。并通過結(jié)合短時(shí)譜估計(jì)、BSP特征和RF的方法識(shí)別各種聲音場(chǎng)景下的動(dòng)物聲音。

1 基于BSP的動(dòng)物聲音識(shí)別方法

1.1 動(dòng)物聲音識(shí)別架構(gòu)

基于BSP特征結(jié)合隨機(jī)森林(RF)的動(dòng)物聲音識(shí)別的整體架構(gòu)，如圖1所示。具體流程包括：首先，對(duì)動(dòng)物聲音進(jìn)行聲音增強(qiáng)；然后將增強(qiáng)后聲音信號(hào)進(jìn)行Bark尺度的小波包分解并重構(gòu)分解系數(shù)，把這些重構(gòu)通過短時(shí)傅里葉變換生成重構(gòu)信號(hào)頻譜；并對(duì)頻譜進(jìn)行主成分分析，提取投影特征，即各個(gè)Bark頻率群的BSP；最后使用RF識(shí)別各個(gè)Bark頻率群的BSP。

圖 1 動(dòng)物聲音識(shí)別的流程Fig. 1 The process of animal sound recognition

1.2 Bark尺度小波包分解

Bark是一種模擬人耳聽覺感知特性的非線性頻率尺度。小波包分析對(duì)信號(hào)的低頻和高頻部分同時(shí)進(jìn)行分解，具有更強(qiáng)的頻帶劃分能力[14]。Bark尺度小波包分解是基于人耳Bark域頻率感知特性的小波包分解結(jié)構(gòu)。

人耳的Bark域在20 Hz～16 kHz的頻率范圍內(nèi)分為24個(gè)Bark頻率群[15]。Bark域頻率z和赫茲(Herz)域頻率f的轉(zhuǎn)換關(guān)系為

式中：Bark頻率群的帶寬在500 Hz以下時(shí)增加速度恒定，約100 Hz增加一個(gè)帶寬；在500～1 220 Hz帶寬呈線性增加；1 220 Hz以上，帶寬呈對(duì)數(shù)增加。根據(jù)小波包分析的特性，可以用小波包分析來逼近人耳的Bark譜。對(duì)于8 kHz采樣、頻率在4 kHz以下的大部分的動(dòng)物聲音事件，用常規(guī)方法模擬1～17號(hào)Bark，可以得到圖2，每個(gè)子帶的中心頻率相差約為1 Bark的小波包分解結(jié)構(gòu)。對(duì)動(dòng)物聲音識(shí)別的第一步，將按這個(gè)分解結(jié)構(gòu)，對(duì)聲音信號(hào)進(jìn)行小波包分解。并把這個(gè)小波包分解的17組系數(shù)用于下一步的投影特征提取。

1.3 BSP特征

聲音信號(hào)經(jīng)過小波包分解后，再對(duì)其相應(yīng)的小波包分解系數(shù)重構(gòu)的頻譜進(jìn)行主成分分析，得到BSP特征。對(duì)分解系數(shù)重構(gòu)的頻譜投影，即提取BSP特征的過程如下。

1)計(jì)算規(guī)范化的頻譜矩陣X。對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，并把重構(gòu)的信號(hào)進(jìn)行短時(shí)傅里葉變換，得到重構(gòu)信號(hào)的頻譜。其中，t代表幀索引，，代表頻率索引，。 將第 t 幀，轉(zhuǎn)化為規(guī)范化的幀：

圖 2 聲音信號(hào)的Bark尺度小波包分解結(jié)構(gòu)Fig. 2 Wavelet packet decomposition of sound signal based on Bark scale

式中K值可以通過式(6)確定：

計(jì)算前K個(gè)特征值之和占全部特征值之和的比重來衡量。

我們對(duì)樣本聲音進(jìn)行如圖2所示的Bark尺度的小波包分解，并得到為17個(gè)分解系數(shù)重構(gòu)的頻譜投影，即BSP特征，將作為RF訓(xùn)練與識(shí)別的特征。

1.4 隨機(jī)森林(RF)識(shí)別

RF是一種利用多棵決策樹分類器來對(duì)數(shù)據(jù)進(jìn)行判別的集成分類器算法[8]，其輸出結(jié)果是由決策樹輸出的類標(biāo)簽的數(shù)量而定。這里，將各個(gè)小波包結(jié)點(diǎn)分解生成的BSP特征結(jié)合RF分類器，對(duì)動(dòng)物聲音樣本進(jìn)行訓(xùn)練和識(shí)別。其過程如圖3所示，通過自助重采樣技術(shù)，從訓(xùn)練樣本第個(gè)結(jié)點(diǎn)的BSP特征集{}中自助重采樣，生成新的個(gè)訓(xùn)練樣本集。然后這個(gè)訓(xùn)練樣本集，按照決策樹的構(gòu)建方法生長成顆決策樹，并組合在一起形成第i個(gè)森林。由這棵決策樹構(gòu)造出第i 個(gè)RF與第i個(gè)結(jié)點(diǎn)的BSP特征集相對(duì)應(yīng)。每個(gè)BSP特征集都要生成一個(gè)RF，因此一共生成17個(gè)RF。

圖 3 隨機(jī)森林(RF)訓(xùn)練與識(shí)別過程Fig. 3 The train and recognition process of random forests

RF對(duì)測(cè)試樣本的識(shí)別過程如下。首先，把測(cè)試樣本各個(gè)Bark頻率群生成的BSP特征分別放在相應(yīng)RF的棵決策樹的根節(jié)點(diǎn)。根據(jù)決策樹判別規(guī)則向下傳遞直到?jīng)Q策樹的葉子節(jié)點(diǎn)。葉子節(jié)點(diǎn)對(duì)應(yīng)的類標(biāo)簽就是這棵決策樹對(duì)特征所屬類別所做的投票。根據(jù)17個(gè)子頻帶生成的RF中每棵決策樹的投票結(jié)果，統(tǒng)計(jì)17個(gè)RF中所有投票總和，其中獲得投票數(shù)最多的類標(biāo)簽就是測(cè)試樣本對(duì)應(yīng)類標(biāo)簽l。

2 聲音樣本與參數(shù)設(shè)置

2.1 聲音樣本集

如表1所示，實(shí)驗(yàn)使用的40種純凈動(dòng)物叫聲來自Freesound[16]聲音數(shù)據(jù)庫，分成鳥類和哺乳類；4種環(huán)境聲音，為錄音棒錄制的環(huán)境背景聲音。每種聲音有30個(gè)樣本，實(shí)驗(yàn)中隨機(jī)選取20個(gè)樣本作為訓(xùn)練樣本，其余10個(gè)樣本作為測(cè)試樣本。對(duì)聲音文件統(tǒng)一處理，將其都轉(zhuǎn)換成：采樣率為8 kHz，量化精度為16 bits，單聲道，且長度為2 s左右wav格式的聲音片段。實(shí)驗(yàn)對(duì)所有的聲音樣本歸一化處理并采用Hamming窗進(jìn)行分幀。

表 1 聲音樣本集Table 1 Sound sample set

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

1) 幀

在短時(shí)傅里葉變換過程中，每幀幀長為32 ms，幀移為幀長一半。

2) 特征

小波包分解采用db2基函數(shù)，頻譜投影參數(shù)K通過實(shí)驗(yàn)確定。在對(duì)比實(shí)驗(yàn)中，聲譜圖投影特征[17-18]的投影參數(shù)K取5；梅爾頻率倒譜系數(shù)(mel frequency cepstrum coefficient, MFCC)，采用 24 階三角濾波器組，提取12維離散余弦變換系數(shù)；冪歸一化倒譜系數(shù)(power normalized cepstrum coefficients, PNCC)，采用32階的Gammatone濾波器，提取12維離散余弦變換系數(shù)。

3) 隨機(jī)森林(RF)分類器

其主要參數(shù)有兩個(gè)，一個(gè)是決策樹中非葉節(jié)點(diǎn)分裂時(shí)預(yù)選特征成分的數(shù)量，另一個(gè)是RF中決策樹的個(gè)數(shù)。綜合考慮該文實(shí)驗(yàn)樣本數(shù)量和實(shí)驗(yàn)結(jié)果，設(shè)定。利用RF進(jìn)行3次識(shí)別，然后取均值作為最終結(jié)果。

3 實(shí)驗(yàn)及結(jié)果

3.1 BSP中K的選取

通過純凈聲音的BSP結(jié)合隨機(jī)森林(RF)訓(xùn)練和測(cè)試，確定BSP參數(shù)K。在實(shí)驗(yàn)中，我們?cè)跊]有背景聲音的條件下確定BSP特征中K的選取，K代表投影矩陣中選取的前K個(gè)特征向量。如圖4所示，當(dāng)時(shí)，隨著K的增加，測(cè)試樣本的識(shí)別率迅速增加，當(dāng)時(shí)，隨著K的增加，測(cè)試樣本的識(shí)別率并無明顯提升。出于計(jì)算代價(jià)和性能表現(xiàn)的權(quán)衡，在下面實(shí)驗(yàn)中，K取5。

圖 4 參數(shù)K與識(shí)別率Fig. 4 Parameter K and its recognition rate

3.2 聲音信號(hào)增強(qiáng)

使用維納濾波[19]、多頻帶譜減法[20]和短時(shí)譜估計(jì)法[21]對(duì)聲音進(jìn)行增強(qiáng)處理，然后提取BSP特征，分別進(jìn)行RF的識(shí)別率測(cè)試，并選出最有效的聲音增強(qiáng)算法。

為了減少同一聲音事件在不同信噪比及不同噪聲環(huán)境下，因增強(qiáng)處理帶來信號(hào)失真的差異，實(shí)驗(yàn)中我們對(duì)純凈的訓(xùn)練聲音樣本也都分別進(jìn)行維納濾波、多頻帶譜減法和短時(shí)譜估計(jì)法的增強(qiáng)處理。對(duì)測(cè)試樣本，在分別添加信噪比為–10 dB、–5 dB、0 dB、5 dB和10 dB的4種環(huán)境聲后，再進(jìn)行相應(yīng)3種增強(qiáng)方法處理。在隨后的實(shí)驗(yàn)中也采取這種方法。

實(shí)驗(yàn)結(jié)果如圖5所示。結(jié)果表明，在信噪比為10 dB時(shí)，BSP結(jié)合RF具有80%以上的平均識(shí)別率。但在不同環(huán)境不同信噪比下，不做聲音增強(qiáng)處理的識(shí)別率，整體上低于3種聲音增強(qiáng)處理的識(shí)別率。說明3種聲音增強(qiáng)算法一定程度上都能消除背景聲音的影響。尤其，在低于0 dB的情況下，特別是低于–5 dB，3種聲音增強(qiáng)算法消除噪聲的作用最為明顯。從圖5 可以看出，嘈雜說話聲環(huán)境和流水聲環(huán)境在–5 dB以上信噪比時(shí)、風(fēng)聲環(huán)境在5 dB及以上信噪比時(shí)，維納濾波的識(shí)別率逐漸低于不增強(qiáng)處理時(shí)的識(shí)別率。多頻帶譜減法和短時(shí)譜估計(jì)法，對(duì)4種環(huán)境各種信噪比下，則都保持較高的識(shí)別率。在不同環(huán)境聲不同信噪比的條件下，短時(shí)譜估計(jì)法有最佳的識(shí)別性能，因此在之后的實(shí)驗(yàn)中采用短時(shí)譜估計(jì)增強(qiáng)方法對(duì)聲音信號(hào)進(jìn)行加強(qiáng)。

圖 5 4種不同噪聲環(huán)境下不同增強(qiáng)處理方法的識(shí)別效果Fig. 5 Results of different enhancement process in four kinds of noisy environments

3.3 BSP與常用特征比較

把BSP特征與SPD[12]、聲譜圖投影[17-18]、PNCC和MFCC等4種常用特征進(jìn)行RF的訓(xùn)練與識(shí)別實(shí)驗(yàn)比較。

首先，無噪聲條件下的實(shí)驗(yàn)，結(jié)果如表2所示。BSP、SPD、聲譜圖投影、PNCC和MFCC等5種特征對(duì)動(dòng)物聲音的識(shí)別率都達(dá)到90%以上，其中，目前對(duì)聲音事件識(shí)別最有效的SPD，識(shí)別效果略好于該文的BSP。

表 2 無噪聲條件下不同方法的比較Table 2 Comparing different method in non-noise condition %

其次，在不同噪聲環(huán)境不同信噪比條件下的5種特征的平均識(shí)別率實(shí)驗(yàn)結(jié)果如表3所示。利用流水聲、風(fēng)聲、公路聲和嘈雜說話聲，模擬真實(shí)復(fù)雜環(huán)境噪聲。取信噪比–10 dB、–5 dB、0 dB、5 dB、10 dB和15 dB，分別與4種噪聲環(huán)境進(jìn)行混合，用于RF訓(xùn)練并測(cè)試5種不同特征提取的平均識(shí)別率。不同噪聲環(huán)境下的平均識(shí)別率如表3所示。從表3中可以看到，在不同環(huán)境不同信噪比條件下，BSP的平均識(shí)別率達(dá)到80.5%，比SPD、聲譜圖投影、PNCC和MFCC等4種特征分別高出11.4%、9.6%、17.1%和50.5%。

表 3 在不同噪聲環(huán)境下的平均識(shí)別率Table 3 Average accuracy in different noisy environments %

由于MFCC在低信噪比的識(shí)別率明顯低于其他4種特征，隨后，我們只比較其他4種特征的識(shí)別效果。圖6表示BSP、SPD、聲譜圖投影和PNCC等4種特征，在4種噪聲環(huán)境下，信噪比為–10 dB、–5 dB、0 dB和5 dB時(shí)的識(shí)別率。從圖中可以看出，在信噪比小于0 dB時(shí)，BSP特征的識(shí)別率明顯高于其他3種特征。

圖 6 4種噪聲環(huán)境下不同信噪比的識(shí)別率Fig. 6 Recognition rate of four kinds of features in four kinds of noisy environments

3.4 與現(xiàn)有方法及分類器的比較

把該文提出BSP-RF與MP-SVM[10]、PC-SVM[11]和SPD-KNN[12]等聲音事件檢測(cè)識(shí)別的3種方法進(jìn)行比較，結(jié)果如表4所示。從表4中可以看出，本文方法BSP-RF在低信噪比情況下的識(shí)別率，與文獻(xiàn)[10-12]中的方法相比有較大提高。BSP-RF在–10 dB的情況下，依然能夠保持平均60%以上的識(shí)別率，效果尤為明顯。其次，我們進(jìn)行BSP結(jié)合SVM，BSP結(jié)合KNN的實(shí)驗(yàn)。結(jié)果表明，對(duì)于BSP特征而言，采用RF對(duì)各種環(huán)境下不同信噪比動(dòng)物聲音的識(shí)別效果優(yōu)于SVM與KNN。

表 4 6種方法的平均識(shí)別率Table 4 Average recognition rate of six kinds of methods %

4 討論

4.1 RF、SVM與KNN對(duì)BSP識(shí)別性能的分析

從表4可以看出，RF的平均識(shí)別率高于KNN和SVM。特別是在–10 dB的情況下，分別比KNN和SVM高出20.9%、10.3%，說明RF比KNN、SVM更適用于BSP特征的分類識(shí)別。由于BSP特征把聲音信號(hào)分解成17個(gè)頻帶，每個(gè)頻帶只包含部分的聲音信息，用這些不完整的信息進(jìn)行KNN分類會(huì)造成識(shí)別率的下降。KNN是基于距離的分類方法，某個(gè)特征維度之間的差異值過大可能很大程度上影響其他特征維度，同時(shí)KNN不能給出決策樹那樣的分類規(guī)則，所以BSP特征在KNN的分類效果低于RF。SVM適用于高維度、分類數(shù)目少、小樣本的分類識(shí)別，BSP的特征維度相對(duì)較小且實(shí)驗(yàn)中包含40類動(dòng)物聲音，所以文中方法不適合采用SVM進(jìn)行分類。RF是基于決策樹的分類規(guī)則挖掘不同特征維度之間的關(guān)系，同時(shí)結(jié)合不同頻帶之間投票結(jié)果，可以提高BSP特征的分類精度，所以RF比KNN以及SVM更適用于BSP特征的分類。

4.2 環(huán)境聲音對(duì)動(dòng)物聲音的影響

為了分析環(huán)境聲音對(duì)動(dòng)物聲音在各個(gè)Bark頻率群的影響，我們給出純凈的翠鳥聲音和加入信噪比為–10 dB背景聲音后各個(gè)Bark頻率群的能量分布。從圖7中可以看出各個(gè)Bark頻率群的能量的變化以及背景聲音對(duì)翠鳥聲音在各個(gè)Bark頻率群的影響。

圖 7 翠鳥的各個(gè)Bark頻率群的能量分布Fig. 7 The energy distribution of kingfisher in each Barkfrequency group

圖7(a)和(b)是翠鳥聲音經(jīng)過聲音增強(qiáng)前后的各個(gè)Bark頻率群的能量分布。從圖中可以看出背景聲音對(duì)Bark頻率群1～4，即低頻部分的影響比較大，對(duì)于高頻部分的影響相對(duì)比較小。經(jīng)過短時(shí)譜估計(jì)法聲音增強(qiáng)后，可以消除大部分背景聲音的影響，但影響依然存在。該文結(jié)合經(jīng)過Bark尺度小波包結(jié)構(gòu)，把聲音信號(hào)分解成17個(gè)投影特征。這樣，可以有效地平衡背景聲音對(duì)部分Bark頻率群的影響，有利于識(shí)別率的提高。

4.3 動(dòng)物及環(huán)境聲音與重構(gòu)頻譜投影

1) Bark尺度的小波包分解的本質(zhì)

Bark尺度的小波包分解的本質(zhì)，就是把聲音信號(hào)按人類聽覺敏感程度，對(duì)聲音信號(hào)進(jìn)行頻帶劃分，再進(jìn)行不同尺度的小波分析。動(dòng)物聲音，即便在各種環(huán)境中，受到不同信噪比的環(huán)境聲音的干擾，只要人類聽覺能感知到，就意味著它存在不同于環(huán)境聲音的Bark頻率群。而本文提出的Bark尺度的小波包分解系數(shù)重構(gòu)頻譜投影，就是分離出這些相關(guān)頻率群頻譜的關(guān)鍵成分。這些Bark頻率群的頻譜，必然為每一種動(dòng)物聲音的特色或獨(dú)有。用這些頻譜的投影，進(jìn)行隨機(jī)森林(RF)的投票，必定是高分。而與那些與背影聲音同頻率群的成分，雖然在投票中難獲高分，但多個(gè)頻率群共同投票后，仍然能保持較高的得分優(yōu)勢(shì)。

2) 錯(cuò)誤檢測(cè)的分析

表5給出加入–5 dB風(fēng)聲后，16類容易出現(xiàn)錯(cuò)誤檢測(cè)的情況(另外24類基本上能夠正確識(shí)別，限于空間，表5中未列出)。從表5可以看出，在–5 dB風(fēng)聲下，第10類的測(cè)試樣本全部被錯(cuò)誤檢測(cè)，其中有9個(gè)測(cè)試樣本錯(cuò)分到第19類中；第24、28、38、39這4類測(cè)試樣本也都全部被錯(cuò)誤檢測(cè)成第19類。同時(shí)，發(fā)現(xiàn)大部分被錯(cuò)誤檢測(cè)的樣本，都被檢測(cè)成第19類。

表 5 加入–5 dB風(fēng)聲噪聲測(cè)試樣本錯(cuò)分情況Table 5 Wrong test samples’ condition in –5 dB wind noise

觀察圖8(a) 10類(鵜鶘)、(b) 19類(黃喉地鶯)和(c) 38類(綿羊)聲音分別在–5dB風(fēng)聲下的聲譜圖，可以發(fā)現(xiàn)它們的相似之處。其中，低頻部分，即0～800 Hz部分相似度較高；3張聲譜圖在0.5 s之后，高低頻部分都很相近。也就是說，這3張頻譜圖，高低頻部分有80%左右是相近的。這就可能造成大部分Bark頻率群頻譜投影的相近或相等，從而造成了測(cè)試樣本的錯(cuò)誤檢測(cè)。

從實(shí)驗(yàn)結(jié)果進(jìn)一步觀察到，在加入風(fēng)聲噪聲的情況下，大部分錯(cuò)分的樣本被錯(cuò)分到第19類；在加入嘈雜說話聲時(shí)則大部分的樣本被錯(cuò)分到第2類；在加入公路噪聲時(shí)則大部分的樣本被錯(cuò)分到第39類。這說明測(cè)試樣本錯(cuò)分的原因和加入噪聲的類型有關(guān)。

圖 8 3種不同動(dòng)物在-5 dB風(fēng)聲下的頻譜Fig. 8 Spectrums of three kinds of animal in -5 dB wind noise

但是，它們作為不同的動(dòng)物的聲音，自然環(huán)境下，能被人類聽覺感知到，必然有區(qū)別于環(huán)境聲音的成分存在，即有不同于背景聲音的Bark頻率群存在。因此，根據(jù)該文方法的原理，這種差別可以通過小波包分解結(jié)構(gòu)及隨機(jī)森林投票策略的適當(dāng)調(diào)整來識(shí)別。進(jìn)而，本文提出的方法可以在各種背景聲音中，識(shí)別各種不同信噪比的動(dòng)物聲音。

3) 更深層次的識(shí)別

對(duì)于非平穩(wěn)的環(huán)境及動(dòng)物聲音，如在特定的背景聲音環(huán)境下，各種動(dòng)物聲音混在一起，時(shí)強(qiáng)時(shí)弱等情況，有可能影響RF投票結(jié)果。對(duì)于這種情況，我們可以考慮幀一級(jí)的RF投票。如，聲音信號(hào)按32 ms分幀，只要?jiǎng)游锫曇舨皇窃?2 ms內(nèi)同時(shí)發(fā)生，我們依然可以通過RF投票確定每一幀可能的動(dòng)物聲音，并進(jìn)一步來判斷出可能的多種的動(dòng)物聲。這種情況下，這種方法甚至可以識(shí)別出人類很難識(shí)別的非平穩(wěn)及混合的各種動(dòng)物聲音。

5 結(jié)論

實(shí)驗(yàn)表明，在–10 dB以上信噪比環(huán)境下，在未對(duì)聲音信號(hào)進(jìn)行增強(qiáng)處理的情況下，該文提出的方法對(duì)于動(dòng)物聲音識(shí)別有較好的效果。而短時(shí)譜估計(jì)聲音增強(qiáng)結(jié)合BSP特征與隨機(jī)森林的方法，不論是低信噪比還是高信噪比聲音環(huán)境，對(duì)各種環(huán)境中的動(dòng)物聲音檢測(cè)都有較好的效果。

提出的方法能勝任于自然環(huán)境下各種低信噪比動(dòng)物聲音識(shí)別的原因如下：1) 采用短時(shí)譜估計(jì)聲音增強(qiáng)算法，一定程度上抑制了環(huán)境聲音的影響。2) Bark尺度的小波包分解是基于人耳基底膜的工作原理，環(huán)境聲音對(duì)于不同Bark頻率群的影響是不一樣的，因此結(jié)合各個(gè)Bark頻率群的特征信息作為決策依據(jù)，一定程度上能夠提高識(shí)別率。3) 采用多隨機(jī)森林決策的方法有效地消除了環(huán)境聲音對(duì)部分Bark頻率群特征的影響。

在后續(xù)的工作中，將結(jié)合深度學(xué)習(xí)相關(guān)方法，圍繞如何在多個(gè)聲音重疊的情況下實(shí)現(xiàn)各個(gè)聲音事件的檢測(cè)與識(shí)別做進(jìn)一步的研究。