基于原子Fisher判別準則約束字典學習算法

　　為了提高字典的判別性能，提出基于原子Fisher判別準則約束的字典學習算法AFDDL。首先，利用特定類字典學習算法為每個原子分配一個類標，計算同類原子和不同類原子間的散度矩陣。然后，利用類內(nèi)散度矩陣和類間散度矩陣的跡的差作為判別式約束項，促使不同類原子間的差異最大化，并在最小化同類原子間差異的同時減少原子間的自相關(guān)性，使得同類原子盡可能地重構(gòu)某一類樣本，提高字典的判別性能。在AR、FERET和LFW三個人臉數(shù)據(jù)庫和USPS手寫字體數(shù)據(jù)庫中進行實驗，實驗結(jié)果表明，在四個圖像數(shù)據(jù)庫中，所提算法在識別率和訓練時間方面均優(yōu)于類標一致的K奇異值分解（ LC-KSVD）算法、局部特征和類標嵌入約束的字典學習（LCLE-DL）算法、支持矢量指導的字典學習（ SVGDL）算法和Fisher判別字典學習算法；且在四個數(shù)據(jù)庫中，該算法也比稀疏表示分類（SRC）和協(xié)同表示分類（CRC）取得更高的識別率。
?