Rozpoznawanie głosów ptaków

Dr inż. Robert Wielgat

Państwowa Wyższa Szkoła Zawodowa w Tarnowie

Zakład Elektroniki i Telekomunikacji

- Dzień otwarty w PWSZ 13 marca 2009

Time [s]

Fre

quen

cy [H

z]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50

0.5

1

1.5

2

2.5

3

3.5

4

4.5

x 104

Charakterystyka głosów ptaków- Dźwięki głównie harmoniczne, zasadniczo brak składowych szumowych- Dwie pary strun głosowych,- W przypadku wielu głosów ptaków występują składowe ultradźwiękowe niesłyszalne dla ucha ludzkiego

0 0.1 0.2 0.3 0.4 0.5 0.60

2000

4000

6000

8000

10000

t rz y

Czas [s]

Czę

sto

tliw

ość

[H

z]

1. Wykrywanie rzadkich gatunków

ptaków w celu ochrony ich siedlisk

2. Monitoring ptaków i wykrywanie

zagrożeń ekologicznych (FBI –

Farmland Bird Index)

3. Ochrona upraw rolnych

4. Ochrona lotnisk i samolotów

Znaczenie rozpoznawania głosów ptaków

Projekt „BIRDSMOND”Od czerwca 2008 roku w Państwowej Wyższej Szkole Zawodowej w Tarnowie jest realizowany grant MNiSW Nr N N519 402934 pt. „Opracowanie automatycznego systemu akustycznego monitoringu ptaków dla Ciężkowicko-Rożnowskiego Parku Krajobrazowego” we współpracy z:

Zespołem Parków Krajobrazowych Pogórza w Tarnowie, Uniwersytetem Jagielońskim, Małopolskim Towarzystwem Ornitologicznym, Akademią Górniczo-Hutniczą, Uniwersytetem Rolniczym w Krakowie.

Od września 2008 roku projekt nosi nazwę:

B I R D S M O N D

będącą akronimem od: BIRD SOUND MONITORING DATABASE

System akustycznego monitoringu ptaków

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

Program rozpoznający w trybie bez nadzoru

System informatyczny

Program rozpoznający w trybie z nadzorem

Gość

Ekspert lub Administrator

Obserwator

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

GPS, filmy, zdjęcia, informacje o pogodzie

Automatyczny Obserwator

System akustycznego monitoringu ptaków

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

Program rozpoznający w trybie bez nadzoru

System informatyczny

Program rozpoznający w trybie z nadzorem

Gość

Ekspert lub Administrator

Obserwator

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

GPS, filmy, zdjęcia, informacje o pogodzie

Automatyczny Obserwator

Stacjonarny rejestrator cyfrowy

A/C

LCD

MIKROKONTROLER

Klawiatura

FAT324 x Szerokopas-mowy mikrofon pojemnościowy

Karta pamięci

Zegar Czasu rzeczy-wistego

C/A

Zestaw głośnikowy

4 x wzmacniacz mikrofonowy

Wzmacniaczmocy

Bezprzewodowy transceiver Antena

System akustycznego monitoringu ptaków

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

Program rozpoznający w trybie bez nadzoru

System informatyczny

Program rozpoznający w trybie z nadzorem

Gość

Ekspert lub Administrator

Obserwator

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

GPS, filmy, zdjęcia, informacje o pogodzie

Automatyczny Obserwator

System akustycznego monitoringu ptaków

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

Program rozpoznający w trybie bez nadzoru

System informatyczny

Program rozpoznający w trybie z nadzorem

Gość

Ekspert lub Administrator

Obserwator

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

GPS, filmy, zdjęcia, informacje o pogodzie

Automatyczny Obserwator

Przenośny rejestrator cyfrowy

A/C

MIKROKONTROLERFAT32

Karta pamięci

Zegar czasu rzeczy-wistego

C/A

Słuchawki

4 x wzmacniaczmikrofonowy

Wzmacniacz słuchawkowy

LCD KlawiaturaAntena

GPS

4 x Szerokopas-mowy mikrofon pojemnościowy

System akustycznego monitoringu ptaków

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

Program rozpoznający w trybie bez nadzoru

System informatyczny

Program rozpoznający w trybie z nadzorem

Gość

Ekspert lub Administrator

Obserwator

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

GPS, filmy, zdjęcia, informacje o pogodzie

Automatyczny Obserwator

System akustycznego monitoringu ptaków

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

Program rozpoznający w trybie bez nadzoru

System informatyczny

Program rozpoznający w trybie z nadzorem

Gość

Ekspert lub Administrator

Obserwator

Stacjonarny rejestrator cyfrowy

Przenośny rejestrator

cyfrowy

GPS, filmy, zdjęcia, informacje o pogodzie

Automatyczny Obserwator

• Program rozpoznający w trybie bez nadzoru automatycznie rozpoznaje gatunek ptaka na podstawie nagrania z głosem ptaka. Proces ten nazywa się w skrócie rozpoznawaniem głosów ptaków.

• Rozpoznawanie głosów ptaków jest wykonywane przez program rozpoznający w dwóch etapach:1. etap ekstrakcji cech2. etap klasyfikacji

• Rozpoznawanie głosów ptaków w trybie z nadzorem można usprawnić stosując system ekspertowy wykorzystujący dodatkowe informacje jak np. prognoza pogody, data i godzina nagrania, pozycja GPS, które zostały zarejestrowane równocześnie z nagraniem głosu ptaka.

Program rozpoznający pracujący w trybie bez nadzoru

• Program rozpoznający w trybie bez nadzoru automatycznie rozpoznaje gatunek ptaka na podstawie nagrania z głosem ptaka. Proces ten nazywa się w skrócie rozpoznawaniem głosów ptaków.

• Rozpoznawanie głosów ptaków jest wykonywane przez program rozpoznający w dwóch etapach:1. etap ekstrakcji cech2. etap klasyfikacji

• Rozpoznawanie głosów ptaków w trybie z nadzorem można usprawnić stosując system ekspertowy wykorzystujący dodatkowe informacje jak np. prognoza pogody, data i godzina nagrania, pozycja GPS, które zostały zarejestrowane równocześnie z nagraniem głosu ptaka.

Program rozpoznający pracujący w trybie bez nadzoru

Ekstrakcja cech• Z sygnału akustycznego będącego głosem ptaka można wyekstrahować różnorodne cechy np.:

Kodowanie sygnału w dziedzinie czasu (ang. TDSC -Time Domain Signal Coding) , Maksima widmowe (ang. spectral peaks), Falki (ang. wavelets), Parametry mel-cepstralne (ang. MFCC - Mel Frequency Cepstral Coefficients), Parametry HFCC (ang. HFCC - Human Factor Cepstral Coefficients).

• Etap ekstrakcji cech in jest niekiedy poprzedzany wstępnym przetwarzaniem sygnału jak np. filtracja pasmowo-przepustowa, redukcja szumów itp.

Ekstrakcja cech• Z sygnału akustycznego będącego głosem ptaka można wyekstrahować różnorodne cechy np.:

Kodowanie sygnału w dziedzinie czasu (ang. TDSC -Time Domain Signal Coding) , Maksima widmowe (ang. spectral peaks), Falki (ang. wavelets), Parametry mel-cepstralne (ang. MFCC - Mel Frequency Cepstral Coefficients), Parametry HFCC (ang. HFCC - Human Factor Cepstral Coefficients).

• Etap ekstrakcji cech in jest niekiedy poprzedzany wstępnym przetwarzaniem sygnału jak np. filtracja pasmowo-przepustowa, redukcja szumów itp.

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

Dzielenie sygnału na ramki

30 ms

20 ms

Ram

ka 1

Ram

ka 2

Ram

ka 3

Ram

ka 4

Ram

ka 5

[ms]t

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

Okienkowanie sygnałuOkienkowanie sygnału polega na przemnożeniu próbek w ramce sygnału przez funkcję okna.

t

t

tx =

Funkcja okna (np. okno Hamminga)

Sygnał w ramce

Sygnał w ramce przemnożony przez

funkcję okna

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

Częstotliwość [mel]

wagi Bank filtrów MFCC

Częstotliwości środkowe

Mel-Frequency Cepstral Coefficients (MFCC)

“Obliczenie mocy FFT w określonych pasmach częstotliwościowych”Częstotliwości środkowe w tych pasmach są równomiernie rozmieszczone względem melowej skali częstotliwościowej.Szerokość pasma jest powiązana z rozmieszczeniem częstotliwości środkowych pasma zachodzą na siebie na połowie swej długości.

)110(700

)700/1log(25952595/

melf

Hz

Hzmel

f

ff

Parametry MFCC (mel-cepstralne)

1

0 2

)12(cos)ln()()(

K

kk K

nkSncnX

K

c1

)0( K

nc2

)(

1) Blokowanie sygnału w ramki, okienkowanie oknem Hamminga2) Przeprowadzenie FFT na zokienkowanych ramkach sygnału3) Obliczenie mocy FFT w określonych pasmach częstotliwościowych4) Obliczenie logarytmu zakumulowanych współczynników widmowych5) Przeprowadzenie DCT na zlogarytmowanych współczynnikach widmowych:

6) Opcjonalne obliczenie pierwszej i drugiej pochodnej po czasie ze współczynników DCT czyli tzw. współczynników delta oraz delta-delta

• Program rozpoznający w trybie bez nadzoru automatycznie rozpoznaje gatunek ptaka na podstawie nagrania z głosem ptaka. Proces ten nazywa się w skrócie rozpoznawaniem głosów ptaków.

• Rozpoznawanie głosów ptaków jest wykonywane przez program rozpoznający w dwóch etapach:1. etap ekstrakcji cech2. etap klasyfikacji

• Rozpoznawanie głosów ptaków w trybie z nadzorem można usprawnić stosując system ekspertowy wykorzystujący dodatkowe informacje jak np. prognoza pogody, data i godzina nagrania, pozycja GPS, które zostały zarejestrowane równocześnie z nagraniem głosu ptaka.

Program rozpoznający pracujący w trybie bez nadzoru

• Program rozpoznający w trybie bez nadzoru automatycznie rozpoznaje gatunek ptaka na podstawie nagrania z głosem ptaka. Proces ten nazywa się w skrócie rozpoznawaniem głosów ptaków.

• Rozpoznawanie głosów ptaków jest wykonywane przez program rozpoznający w dwóch etapach:1. etap ekstrakcji cech2. etap klasyfikacji

• Rozpoznawanie głosów ptaków w trybie z nadzorem można usprawnić stosując system ekspertowy wykorzystujący dodatkowe informacje jak np. prognoza pogody, data i godzina nagrania, pozycja GPS, które zostały zarejestrowane równocześnie z nagraniem głosu ptaka.

Program rozpoznający pracujący w trybie bez nadzoru

KlasyfikacjaNajbardziej obiecującymi metodami klasyfikacji w rozpoznawaniu głosów ptaków są:

• Wyszukiwanie haseł oparte na Nieliniowej transformacji czasowej (ang. Dynamic Time Warping - DTW) • Metoda niejawnych modeli Markowa (ang. Hidden Markov Models – HMM).

iY

iX

BIRD VOICE X

BIR

D V

OIC

E Y

1 N

1M

DTW

2 3 4 51

o1 o2 o3 o4 o5 o6

a23

a22

b2(o1) b2(o2) b2(o3) b4(o5)b3(o4) b4(o6)

a34 a45a12

a33 a44

HMM

Nieliniowa transformacja czasowa (DTW)

iY

iX

Celem algorytmu nieliniowej transformacji czasowej jest znalezienie najniższego zakumulowanego kosztu przejścia między punktami siatki odległości

IX - indeksy wektorów cech słowa x

IY - indeksy wektorów cech słowa y

S Ł O W O X

S

Ł

O

W

O

Y

1 N

1M

• Naśladownictwo

- myszołów - szpak naśladujący myszołowa

• Nakładanie się głosów ptaków tzw. efekt „coctail party”

- ptaki śpiewające jednocześnie

• Rozpoznawanie w warunkach dużego szumu i hałasu otoczenia

• Rozpoznawanie dużej liczby gatunków ptaków

Nierozwiązane problemy rozpoznawania głosów ptaków

Serdecznie zapraszamy Państwa do odwiedzania strony internetowej projektu

BIRDSMONDwww.birdsmond.pwsztar.edu.pl

Trznadel (łac. Emberizza citrinella) Sójka (łac. Garrulus glandarius) Trznadel (łac. Emberizza citrinella)

Dziękuję Państwu za uwagę