基于原子Fisher判别准则约束字典学习算法

　　为了提高字典的判别性能，提出基于原子Fisher判别准则约束的字典学习算法AFDDL。首先，利用特定类字典学习算法为每个原子分配一个类标，计算同类原子和不同类原子间的散度矩阵。然后，利用类内散度矩阵和类间散度矩阵的迹的差作为判别式约束项，促使不同类原子间的差异最大化，并在最小化同类原子间差异的同时减少原子间的自相关性，使得同类原子尽可能地重构某一类样本，提高字典的判别性能。在AR、FERET和LFW三个人脸数据库和USPS手写字体数据库中进行实验，实验结果表明，在四个图像数据库中，所提算法在识别率和训练时间方面均优于类标一致的K奇异值分解（ LC-KSVD）算法、局部特征和类标嵌入约束的字典学习（LCLE-DL）算法、支持矢量指导的字典学习（ SVGDL）算法和Fisher判别字典学习算法；且在四个数据库中，该算法也比稀疏表示分类（SRC）和协同表示分类（CRC）取得更高的识别率。