基于SVM的湿地鸟类物种识别方法

基于SVM的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，人们试图运用图像识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，s≥0.32，v≥0.11，所占比例阈值为9.1%。

大于9.1%的则表示该鸟类身上存在浅红色，视为有花纹的鸟类；小于9.1%
的表示该鸟类身上并不存在浅红色，视为非彩色鸟类。

提取浅红色特征后，彩色图像里有些鸟类身上具有一部分其它鸟类所没有的特别颜色，这3种鸟类个体中带有一部分蓝绿色，并且占到鸟类个体总像素的一定比例以上。

观察其统计直方图，可以发
现这3类图像其色调分量h分布于0.31～0.62之间的像素占了鸟类个体总像素的一定比例。

并且其色调纯度s与亮度v也必须大于一定的值，则可以显示蓝绿色，否则不显示为蓝绿色。

遗鸥虽然也有大量像素色调分量h分布在0.51～0.62之间，但由于其色调纯度s太低，因此在其图上并未显示出蓝绿色。

从绿头鸭的分析来看，提取一定范围内的蓝绿色，统计其像素个数，并计算其占鸟类个体所占比例。

根据这一特征，将具有这些特别颜色的鸟类与其它鸟类区分开来。

经过实验最终确定提取的蓝绿色范围为0.3≤h≤0.55，s≥0.3，v≥0.13，所占比例阈值为1%。

大于1%表示该图存在蓝绿色；否则视为不存在蓝绿色，则为其它鸟类。

如图5所示。

3.3.2颜色统计特征分类器
颜色统计特征分类器是通过对图像3个通道的一阶矩（均值）和二阶矩（方差）共6个特征进行学习训练，构成svm分类器。

分类时，则同样将测试图像转换为hsv颜色空间，并计算非背景像素hsv 三通道的均值和方差。

然后通过svm分类器进行分类。

svm分类器选用径向基核函数。

经过特殊色分类器分类后，同一类中不同物种的鸟类颜色特征距离还是比较远的。

如黑白鸟类，有的鸟类物种大部分是白色，有的大部分是灰色，而有些则是黑色占据较大比例。

而对于具有浅红色特征的鸟类，有些物种鸟类全身是花纹，而有些只有一部分。

因此，
可以利用低阶颜色矩对鸟类进行进一步划分。

3.3.3形状分类器
主要提取鸟类外接矩形的长宽比及致密度。

该类特征比较直观。

通过观察发现，许多鸟类在停落时，其身体的长度一般小于身体的高度，如苍鹭、牛背鹭、东方白鹳等；反之，如大杓鹬、遗鸥等鸟类不管其姿态怎么变化，其身体长度一般大于其高度。

还有就是有些鸟类的身体比较饱满，其致密度较高；有些鸟类脖子又细又长，或者嘴巴比较长，则其致密度就比较低。

3.3.4纹理分类器
纹理分类器中使用的是db2小波对图像进行4层分解。

对鸟类图像进行分解，获得各个子带输出图像如图6所示。

对其中的15个子带图像进行特征值提取，计算其平均能量和方差，分别对彩色图像的3个通道图像进行纹理特征提取，共提取98个纹理特征。

对训练集的图像提取纹理特征进行分类训练，形成svm分类器。

4图像识别分析
4.1实验环境与实验数据
硬件配置：sempron 2500+ 1.75g cpu、1g内存，80g硬盘ibm-pc 机；软件配置：windows 2003 server；开发环境： matlab 6.5、ls_svmlab、dipum工具箱。

采用水鸟网络监测专网。

闽江河口湿地鸟类共有80余种，本次实验随机选取其中15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
鸟类处于停落姿态；②图像中的鸟类个体大小、清晰度足以进行鸟类物种辨别；③图像为彩色图像。

每类采集8幅样本图像，合计共120幅图像，jpeg格式。

经图像预处理后，每类取4幅作为训练样本，其余作为测试样本，共计60个训练样本，60个测试样本。

4.2总体分类实验结果
取测试集60个样本进行测试，其中，纹理特征分别用gabor分类器和小波分类器进行测试，分类识别结果如表1所示。

通过实验进行验证，总体来说，分类识别结果达到了预期要求。

5结语
将图像分析处理引入鸟类物种识别分类研究中，旨在探索基于彩色图像的鸟类物种自动分类识别机制的建立。

在分析模式识别理论及传统鸟类物种分类识别方法的基础上，重点研究了图像特征的提取与选择，通过提取鸟类图片特征，进行一定的数学变换分析，选取最能代表鸟类物种的分类特征。

并且，在此基础上研究了多类分类方法，构建出一种带先验信息的svm决策树多类分类系统。

最后通过训练选取的鸟类特征，并选取测试集通过该分类系统进行实验，取得了较好的识别效果。

本研究方法在鸟类联网进行在线物种识别过程中有着重要的实际意义。

参考文献：
[1]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）.
[2]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）.
[3]周金萍.matlab 6.5图形图像处理与应用实例[m]. 北京：科学出版社，2003.
[4]庄晨辉.湿地与水鸟[m].北京：中国林业出版社，2009.
[5]何东健.数字图像处理[m].第2版.西安：西安电子科技大学出版社，2008.
[6]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.
[7]huang j. color-spatial image indexing and application
[d]. new york：cornell university，1998.
[8]daugman j g.uncertainty relation for resolution in space， spatial frequency and orientation optimized by
two-dimensional visual cortical filters[j].journal of the optical society of america， 1985（7）.
[9]陈伟斌.基于彩色图像的鸟类物种识别研究[d].福州：福州大学，2009.
（责任编辑：孙娟）。