Studies on Bird Vocalization Detection and Classification of Species

Abstract

The topic of this thesis is automatic identification of bird vocalization and bird species based on the sounds they produce. Two main approaches for recordings bird sounds are presented: active recording and passive continuous recording. The aim of the active recording method is to capture sounds of a particular bird species or an individual. On the other hand, passive continuous recordings – which can be captured without human presence – are used in acoustical monitoring and are intended to include all sounds in the local environment. The automatic identification system begins by segmenting distinct sound events from the recordings. The purpose of segmentation is to detect syllables in bird sounds. Active recordings with one bird individual typically have a high signal-to-noise ratio that helps in the task. Segmentation of passive continuous recordings is more demanding due to the possibility of many simultaneous sound sources and a varying signal level of sound events. Audio events in recordings, comprising sounds from many sources, are also often overlapping which adds complexity to the segmentation phase. After the audio events have been segmented, feature extraction and classification are performed. Within feature extraction the audio signals are represented with a low number of attributes (compared to the original data) that characterize particular sound events. Feature extraction performs dimension reduction by removing redundant information from the original data. Suitable features depend on the data and should be selected so that they discriminate sounds from different sources. The classification phase decides on which class each sound event belongs to based on the feature representation. The main focus of this thesis is to develop and examine feature representations for different types of bird sounds suitable for automatic classification. Special attention has been given to birds that produce inharmonic and noisy sounds due to the diverse structure of their vocalizations. A method based on short time-domain structures was found to be efficient for many different types of sounds. It also exhibited efficiency for sound event detection in continuous recordings.continuous recordings.

Tämän väitöstyön aiheena on lintujen äänien automaattinen havaitseminen sekä lintulajien tunnistaminen lintujen tuottamien äänien perusteella. Työ esittelee pääasialliset tavat tehdä lintuäänityksiä, joita ovat aktiivinen sekä passiivinen äänitys. Aktiivisessa äänityksessä tarkoituksena on tallentaan tietyn lintulajin tai yksilön ääniä. Passiivista äänitystä, joka voidaan suorittaa myös ilman ihmisen läsnäoloa, käytetään akustiseen seurantaan ja tavoitteena on tallentaa kaikki alueella esiintyvät äänet. Ensimmäinen vaihe automaattisessa tunnistusjärjestelmässä on erillisten äänitapahtumien segmentointi. Tämän työn segmentoinnin tavoitteena on erottaa lintujen äänien yksittäiset tavut. Aktiivisissa äänityksissä signaali-kohinasuhde on tyypillisesti korkea, joka helpottaa tehtävää. Jatkuva-aikaisten passiivisten äänitysten segmentointi on haastavampaa, koska ne voivat sisältää ääniä useista äänilähteistä ja signaali-kohinasuhde vaihtelee äänitapahtumien välillä. Useita äänilähteitä sisältävissä tallenteissa erilliset äänitapahtumat ovat usein päällekkäisiä mikä vaikeuttaa segmentointia. Äänitapahtumien segmentoinnin jälkeen seuraavana vaiheena on piirteiden laskenta sekä luokittelu. Piirreirrotuksessa äänitapahtumat esitetään pienellä määrällä (alkuperäiseen datamäärään verrattuna) ääniä kuvaavilla tunnusluvuilla. Piirreirrotus vähentää alkuperäistä datamäärää poistamalla redundanttia tietoa. Kuhunkin tilanteeseen soveltuvat piirteet riippuvat äänien tyypistä ja tulisi valita niin että piirteet erottelevat eri lähteistä tulevat äänet. Luokitteluvaiheessa äänitapahtumat piirre-esityksellä kuvatut äänet luokitellaan eri luokkiin. Tämän väitöskirjatyön pääasiallisena tarkoituksena on kehittää ja tutkia erityyppisille lintujen äänille sopivia piirre-esityksiä niiden automaattiseksi luokittelemiseksi. Erityisessä asemassa on ollut epäharmonisia ja kohinanomaisia ääniä tuottavat linnut niiden äänien monipuolisen rakenteen vuoksi. Äänien lyhyttä aikarakennetta kuvaava menetelmä on osoittautunut tehokkaaksi esitykseksi monentyyppisille äänille. Tämä menetelmä on osoittautunut tehokkaaksi myös yksittäisten äänitapahtumien tunnistamiseen jatkuva-aikaisista äänitteistä.