CN103308919B - 一种基于小波包多尺度信息熵的鱼类识别方法及系统 - Google Patents

Abstract

本发明涉及了一种基于小波包多尺度信息熵的鱼类识别方法及系统，该方法基于主动声纳识别策略，所述方法包含：步骤101)向水下鱼体发射声信号，并获取水下鱼体反向散射的回波信号；步骤102)对采集到的鱼体回波数据进行滤波和幅度归一化预处理；步骤103)对预处理后的回波信号进行特征提取，具体方法如下：对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；步骤104)将特征量输入分类器进行分类处理，完成对水下鱼体的种类识别。

Description

一种基于小波包多尺度信息熵的鱼类识别方法及系统

技术领域

本发明涉及基于声学方法的鱼类识别技术，特别涉及一种基于小波包多尺度信息熵的鱼类识别方法及系统。

背景技术

随着人类对海洋资源需求的日益增加，海洋渔业资源开发越来越受到重视。渔业资源调查和评估工作是合理开发海洋渔业资源的重要基础，这就迫切地需要具备对鱼的种类进行快速识别的能力。

传统的鱼类资源调查方法主要是以拖网捕捞法为主，与传统的拖网捕捞识别等方法相比，声学方法具有快速方便、不损坏生物资源以及可持续观测等优点。因此，近些年来国外相关研究机构大力发展基于声学方法的鱼类识别技术。

其中，国外声学方法的鱼类识别技术包含：Alexander B.Kulinchenko等人使用绳系法对太平洋大比目鱼和岩鱼进行了试验，并利用回波包络和统计频谱特征两种方法成功对大比目鱼、岩鱼、海底进行了分类，但是这种方法由于直接对鱼体的回波包络信号进行降采样后作为特征向量，未能找出反映目标本质的特征量，特征维数很高，冗余较大，给分类器带来很大负担。Harold M.Brundage III和Jae-Byung Jung利用统计频谱的方法从底层鱼类中识别出短鼻鲟鱼。Eric O.Rogers等人利用统计频谱的方法成功对鲱鱼、亚洲胡瓜鱼和鲑鱼进行了识别。上述鱼类识别技术均基于统计频谱的方法，因此需要具有很宽频带的换能器作为发射源，对设备要求较高。此外，Sunardi等人通过回声探测仪测定了两种不同的竹荚鱼在两种频率下的目标强度，成功对鱼的种类进行了分类。但是这种方法利用鱼体在两种频率下的目标强度为识别量，而鱼体目标强度与鱼体的姿态、鱼鳔的大小、形状等因素有关，仅选用两个频点下目标强度作为特征量，特征不稳定，使用局限性较大。总之，人们已通过多种方法来进行鱼类识别，然而鱼体的回波信号非常复杂，现有识别方法未能找出能反映目标本质的特征，使得特征维数高，冗余大，分类识别效果往往不能令人满意。而在国内，基于声学方法的鱼类识别技术的研究目前尚处于起步阶段。

发明内容

本发明的目的在于，为克服现有技术对鱼体回波信号进行特征提取，导致获取的回波信号的特征维数高，冗余大，分类识别效果往往不能令人满意等问题，从而提供一种基于小波包多尺度信息熵的鱼类识别方法及系统。

为实现上述目的，本发明提供了一种基于小波包多尺度信息熵的鱼类识别方法，该方法基于主动声纳识别策略，所述方法包含：

步骤101)向水下鱼体发射声信号，并获取水下鱼体反向散射的回波信号；

步骤102)对采集到的鱼体回波数据进行滤波和幅度归一化预处理；

步骤103)对预处理后的回波信号进行特征提取，具体方法如下：

对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；

步骤104)将特征量输入分类器进行分类处理，完成对水下鱼体的种类识别。

可选的，所述小波包多尺度分解的尺度层数j为3到9；所述发射源具体采用窄带换能器向水下鱼体发射声信号。

基于上述方法本发明还提供了一种基于小波包多尺度信息熵的鱼类识别系统，该系统包含：用于向水下鱼体发生声源信号的发射端子系统和用于对水下鱼体类比进行识别的接收端子系统，且所述接收端子系统进一步包含：鱼体的回波信号获取模块，训练器和分类器，其特征在于，所述接收端子系统还包含：

预处理模块，用于对采集到的鱼体回波数据进行滤波和幅度归一化预处理；

特征提取模块，用于对预处理后的回波信号进行特征提取，具体方法为：对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；和

分类模块，用于将信息熵提取模块输出的特征向量输入训练器和分类器进行鱼体的种类识别。

上述技术方案中，所述小波包多尺度分解的尺度层数j为3到9；所述发射端子系统具体采用窄带换能器向水下鱼体发射声信号。

与现有技术相比，本发明的技术优势在于：

(1)所需的数据源是利用窄带换能器作为发射源得到的回波数据，对设备的成本要求低；

(2)所提取的多尺度信息熵特征表征了鱼体回波信号在不同频带内的能量分布特性，能反映出目标的本质属性；

(3)特征维数少，冗余少，可实现快速准确分类。

总之本发明的技术方案利用简单设备，降低设备成本，同时提取鱼体回波信号中能反映鱼体特性的特征量，从而可以降低特征维数，减少特征冗余，最终实现对鱼的种类进行快速准确的识别。

附图说明

图1(a)是现有技术的三层小波分解示意图；

图1(b)是现有技术的三层小波包分解示意图；

图2是本发明的基于小波包多尺度信息熵的鱼类识别方法的流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的描述。

小波包分解是在小波分解的基础上发展起来的，它们之间既相互联系又有所区别。小波分解只对低频进行分解，而没有对高频进行分解，因此高频段的分辨率比较低，从而使小波分解的应用受到一定限制。小波包分解对信号进行更细致的频率划分，对信号的低频和高频成分同时进行分解，实现了对信号频带的均匀划分，具有更好的时频特性。小波包的完整性和正交性使原始信号的信息得到完整保留。图1(a)和1(b)分别是对信号进行3层小波分解和小波包分解的示意图，从图中可以看出小波包分解对信号的高频部分(即D1、AD等)进行了进一步的分解。

由于目标回波是目标的散射声波和混响等的叠加，其波形结构主要取决于目标的材料、几何尺寸和结构。不同形状的目标，其各个部分对回波能量的贡献是有差异的，因此回波信号具有不同的能量分布特性。小波包分解具有优异的时频分辨特性，可描述信号能量在时间-频率坐标系中的分配，从而能较好的反映信号的特征。本发明对鱼体回波包络信号进行小波包分解，提取各个频带内的信息熵作为特征量，所提取特征量能较好的反映鱼体的特征，且特征维数少，可实现快速分类。

本发明提供一种基于小波包多尺度信息熵的鱼类识别系统，该系统包含：发射端子系统和接收端子系统。所述的发射端子系统采用发射源向水下待分类的鱼体目标发生声音信号。所述接收端子系统进一步包含：鱼体的回波信号获取模块、预处理模块、特征提取模块和分类器。

所述预处理模块，用于对采集到的鱼体回波数据进行滤波和幅度归一化预处理；

特征提取模块，用于对预处理后的回波信号进行特征提取，具体方法为：对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；和

分类模块，用于将信息熵提取模块输出的特征向量输入训练器和分类器进行鱼体的种类识别。

上述技术方案中，所述特征提取模块进一步包含：

小波包多尺度分解模块，用于对与处理后的鱼体回波信号进行小波包多尺度分解，得到小波包系数；

重构模块，用于对获取的小波包系数进行重构，得到各个频带内的时域信号；和

信息熵提取模块，用于提取各个频带内时域信号的信息熵，完成对待测鱼体的特征量提取。

如图2所示，本发明还提供一种基于小波包多尺度信息熵的鱼类识别方法，所述方法包含如下步骤：

步骤101)向水下鱼体发射声信号，并获取水下鱼体反向散射的回波信号。

上述向水下鱼体发生声源信号所采用的发射源既可以是宽带发射源也可以是窄带发射源，但从节约成本的角度考虑，建议使用窄带发射源。

步骤102)对采集到的鱼体回波数据进行滤波和幅度归一化预处理。

步骤103)对预处理后的回波信号进行特征提取，具体方法如下：对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；

首先，上述的小波包系数采用如下公式计算得到：

$\left\{\begin{array}{c}{d}_m^{j+\mathrm{1,2}n}=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}\stackrel{\‾}{h_{l-2m}},m\∈Z\\ d_m^{j+\mathrm{1,2}n+1}=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}\stackrel{\‾}{g_{l-2m}},m\∈Z\end{array}\right.---\left(1\right)$

其中，h和g是一组共轭数字滤波器的冲击响应函数，所述的h和g需必须满足如下条件：

$\left\{\begin{array}{c}\mathrm{\Σh}(n-2k)h(n-2l)={\mathrm{\δ}}_{\mathrm{kl}}\\ \mathrm{\Σh}\left(n\right)=\sqrt{2}\\ g\left(k\right)={(-1)}^{k}h(1-k)\end{array}\right.---\left(2\right)$

所述表示分解尺度为j时，第n个频带的第l个小波包系数，j表示小波包分解的层数，n表示频带编号，l表示点数；即为鱼体回波信号；

且，所述步骤102)采用如下公式对小波包系数进行重构获取各个频带的时域信号：

$f_j^n\left(t\right)=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}{2}^{-\frac{j}{2}}{u}_n(2^{-j}t-l)---\left(3\right)$

其中，是尺度j下第n个频带的小波基函数，它满足以下双尺度方程

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}h\left(k\right)u_n(2t-k)\\ u_{2n-1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}g\left(k\right)u_n(2t-k)\end{array}\right.---\left(4\right)$

其中，k为平移量。

其次，上述技术方案所述步骤102)还采用如下公式计算各个频带内重构信号的信息熵：

$H_{j,k}=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{(j,k)}\left(i\right)\lg {\mathrm{\ϵ}}_{(j,k)}\left(i\right)$ (k＝0，1，……2^j-1)；(5)

${\mathrm{\ϵ}}_{(j,k)}\left(i\right)=\frac{S_{F(j,k)}\left(i\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{F(j,k)}\left(i\right)}---\left(6\right)$

其中，S(j，k)为对鱼体回波信号进行j层小波包分解与重构后得到2^j个小波包重构序列，且(k＝0，1，……2^j-1)；S_F(j，k)(i)是S_F(j，k)序列中的第i个值，S_F(j，k)是S_(j，k)的傅里叶变换序列；S_(j，k)是对原始信号进行j层小波包分解后，第k个节点的重构序列；N是原始信号的长度；ε_(j，k)(i)表示序列S_F(j，k)中的第i个值在整个序列的比重。

步骤104)将特征量输入分类器进行分类处理，完成对水下鱼体的种类识别。

该步骤采用分类器依据提取的反应待测鱼体特征的特征量组对水下鱼体进行分类识别。所述的分类器可以选取BP神经网络分类器进行分类，此分类方法是有监督的分类方法，即：事先知道训练样本所属类别，然后按照指定类别对分类器进行训练。具体到本方案，需要先对大量已知种类的鱼体回波信号按照步骤101)-103)完成样本特征量的提取，将这些特征量作为训练样本特征量送入BP神经网络分类器，进而对分类器进行训练，使分类器最终能够完成对已知种类的鱼体回波信号进行归类。训练完成后，保存分类器。对未知的水下目标回波完成步骤101)-103)，得到未知目标的特征量，并将特征量送入训练好的分类器中进行分类，完成对水下鱼体的种类识别。

综上所述，本发明的技术方案为：

(1)信号分解：对鱼体回波信号利用公式(1)进行小波包多尺度分解。

(2)信号重构：对步骤(1)所得到的各个频带内的序列进行重构，得到各个频带内的小波包重构信号，其中各个重构信号分别包含了原始信号的从低到高的各频段信号，信息量既无冗余，也不疏漏。

(3)信号小波包多尺度信息熵向量：由公式(1)、(3)、(5)和公式(6)分别计算各个频带内重构信号的信息熵，进而构造出一个特征向量T，T可表示为： $T=[H_{j,0},H_{j,1},......,H_{j,2^j-1}].$

最后，再利用常规的分类器对特征进行训练和分类识别。

需要说明的是，以上介绍的本发明的实施方案而并非限制。本领域的技术人员应当理解，任何对本发明技术方案的修改或者等同替代都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围内。

Claims (8)

1.一种基于小波包多尺度信息熵的鱼类识别方法，该方法是一种基于主动声学方法的识别策略，所述方法具体包含：

步骤101)向水下鱼体发射声信号，并获取水下鱼体反向散射的回波信号；

步骤102)对采集到的鱼体回波数据进行滤波和幅度归一化预处理；

步骤103)对预处理后的回波信号进行特征提取，具体方法如下：

对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；

步骤104)将特征量输入分类器进行分类处理，完成对水下鱼体的种类识别；

所述步骤102)采用如下公式对鱼体回波信号进行小波包多尺度分解：

$\left\{\begin{array}{c}{d}_m^{j+\mathrm{1,2}n}=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}\stackrel{\‾}{h_{l-2m}},m\∈Z\\ d_m^{j+\mathrm{1,2}n+1}=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}\stackrel{\‾}{g_{l-2m}},m\∈Z\end{array}\right.$

其中，h和g是一组共轭数字滤波器的冲击响应函数，所述的h和g需必须满足如下条件：

$\left\{\begin{array}{c}\mathrm{\Σh}(n-2k)h(n-2l)={\mathrm{\δ}}_{\mathrm{kl}}\\ \mathrm{\Σh}\left(n\right)=\sqrt{2}\\ g\left(k\right)={(-1)}^{k}h(1-k)\end{array}\right.$

所述表示分解尺度为j时，第n个频带的第l个小波包系数，j表示小波包分解的层数，n表示频带编号，l表示点数；即为鱼体回波信号；

且，所述步骤102)采用如下公式对小波包系数进行重构获取各个频带的时域信号：

$f_j^n\left(t\right)=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}{2}^{-\frac{j}{2}}{u}_n(2^{-j}t-l)$

其中，是尺度j下第n个频带的小波基函数，它满足以下双尺度方程：

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}h\left(k\right)u_n(2t-k)\\ u_{2n-1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}g\left(k\right)u_n(2t-k)\end{array}\right.$

其中，k为平移量。

2.根据权利要求1所述的基于小波包多尺度信息熵的鱼类识别方法，其特征在于，所述步骤102)还采用如下公式计算各个频带内重构信号的信息熵：

$\begin{array}{c}{H}_{j,k}=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{(j,k)}\left(i\right)1g{\mathrm{\ϵ}}_{(j,k)}\left(i\right),k=\mathrm{0,1},\·\·\·\·\·\·2^j-1\end{array};$

${\mathrm{\ϵ}}_{(j,k)}\left(i\right)=\frac{S_{F(j,k)}\left(i\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{F(j,k)}\left(i\right)}$

其中，S(j,k)为对鱼体回波信号进行j层小波包分解与重构后得到2^j个小波包重构序列，且k＝0,1,……2^j-1；S_F(j,k)(i)是S_F(j,k)序列中的第i个值，S_F(j,k)是S_(j,k)的傅里叶变换序列；S_(j,k)是对原始信号进行j层小波包分解后，第k个节点的重构序列；N是原始信号的长度；ε_(j,k)(i)表示序列S_F(j,k)中的第i个值在整个序列的比重。

3.根据权利要求2所述的基于小波包多尺度信息熵的鱼类识别方法，其特征在于，所述小波包多尺度分解的尺度层数j为3到9。

4.根据权利要求1所述的基于小波包多尺度信息熵的鱼类识别方法，其特征在于，采用窄带换能器向水下鱼体发射声信号。

5.一种基于小波包多尺度信息熵的鱼类识别系统，该系统包含：用于向水下鱼体发生声源信号的发射端子系统和用于对水下鱼体类比进行识别的接收端子系统，且所述接收端子系统进一步包含：鱼体的回波信号获取模块，训练器和分类器，其特征在于，所述接收端子系统还包含：

预处理模块，用于对采集到的鱼体回波数据进行滤波和幅度归一化预处理；

特征提取模块，用于对预处理后的回波信号进行特征提取，具体方法为：对预处理后的回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号；再提取重构得到的时域信号的信息熵，所述信息熵组成特征量；和

分类模块，用于将信息熵提取模块输出的特征向量输入训练器和分类器进行鱼体的种类识别；

所述特征提取模块采用如下公式对鱼体回波信号进行小波包多尺度分解：

$\left\{\begin{array}{c}{d}_m^{j+\mathrm{1,2}n}=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}\stackrel{\‾}{h_{l-2m}},m\∈Z\\ d_m^{j+\mathrm{1,2}n+1}=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}\stackrel{\‾}{g_{l-2m}},m\∈Z\end{array}\right.$

其中，h和g是一组共轭数字滤波器的冲击响应函数，所述的h和g需必须满足如下条件：

$\left\{\begin{array}{c}\mathrm{\Σh}(n-2k)h(n-2l)={\mathrm{\δ}}_{\mathrm{kl}}\\ \mathrm{\Σh}\left(n\right)=\sqrt{2}\\ g\left(k\right)={(-1)}^{k}h(1-k)\end{array}\right.$

所述表示分解尺度为j时，第n个频带的第l个小波包系数，j表示小波包分解的层数，n表示频带编号，l表示点数；即为鱼体回波信号；

且，所述步骤102)采用如下公式对小波包系数进行重构获取各个频带的时域信号：

$f_j^n\left(t\right)=\underset{l}{\mathrm{\Σ}}{d}_l^{j,n}{2}^{-\frac{j}{2}}{u}_n(2^{-j}t-l)$

其中，是尺度j下第n个频带的小波基函数，它满足以下双尺度方程

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}h\left(k\right)u_n(2t-k)\\ u_{2n-1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}g\left(k\right)u_n(2t-k)\end{array}\right.$

其中，k为平移量。

6.根据权利要求5所述的基于小波包多尺度信息熵的鱼类识别系统，其特征在于，所述特征提取模块采用如下公式计算各个频带内重构信号的信息熵：

$\begin{array}{c}{H}_{j,k}=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{(j,k)}\left(i\right)1g{\mathrm{\ϵ}}_{(j,k)}\left(i\right),k=\mathrm{0,1},\·\·\·\·\·\·2^j-1\end{array};$

${\mathrm{\ϵ}}_{(j,k)}\left(i\right)=\frac{S_{F(j,k)}\left(i\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{F(j,k)}\left(i\right)}$

其中，S(j,k)为对鱼体回波信号进行j层小波包分解与重构后得到2^j个小波包重构序列，且k＝0,1,……2^j-1；S_F(j,k)(i)是S_F(j,k)序列中的第i个值，S_F(j,k)是S_(j,k)的傅里叶变换序列；S_(j,k)是对原始信号进行j层小波包分解后，第k个节点的重构序列；N是原始信号的长度；ε_(j,k)(i)表示序列S_F(j,k)中的第i个值在整个序列的比重。

7.根据权利要求6所述的基于小波包多尺度信息熵的鱼类识别系统，其特征在于，所述特征提取模块进一步包含：

小波包多尺度分解模块，用于对与处理后的鱼体回波信号进行小波包多尺度分解，得到小波包系数；

重构模块，用于对获取的小波包系数进行重构，得到各个频带内的时域信号；和

信息熵提取模块，用于提取各个频带内时域信号的信息熵，完成对待测鱼体的特征量提取。

8.根据权利要求5所述的基于小波包多尺度信息熵的鱼类识别系统，其特征在于，所述发射端子系统具体采用窄带换能器向水下鱼体发射声信号。