基于贝叶斯优化神经网络的物体形状分类

针对传统物体形状分类算法中图像的空间结构特征表示不够准确, 以及分类器模型参数易陷入局部最优的问题, 提出结合重叠金字塔与贝叶斯优化神经网络的物体形状分类方法。首先, 将物体轮廓分割为不同长度的轮廓片段作为形状的基本特征, 并用局部线性编码器对其编码;然后, 使用提出的空间重叠金字塔模型, 将图像表示为空间金字塔直方图向量;最后, 使用贝叶斯优化的前馈神经网络分类器对得到的图像表达进行分类。在常用的Animal标准图像库上实验证明, 本文方法可以完整记录形状的内容和结构信息, 与轮廓片段包算法相比, 准确度提高了1.4%。