為了提高字典的判別性能，提出基于原子Fisher判別準(zhǔn)則約束的字典學(xué)習(xí)算法AFDDL。首先，利用特定類(lèi)字典學(xué)習(xí)算法為每個(gè)原子分配一個(gè)類(lèi)標(biāo)，計(jì)算同類(lèi)原子和不同類(lèi)原子間的散度矩陣。然后，利用類(lèi)內(nèi)散度矩陣和類(lèi)間散度矩陣的跡的差作為判別式約束項(xiàng)，促使不同類(lèi)原子間的差異最大化，并在最小化同類(lèi)原子間差異的同時(shí)減少原子間的自相關(guān)性，使得同類(lèi)原子盡可能地重構(gòu)某一類(lèi)樣本，提高字典的判別性能。在AR、FERET和LFW三個(gè)人臉數(shù)據(jù)庫(kù)和USPS手寫(xiě)字體數(shù)據(jù)庫(kù)中進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，在四個(gè)圖像數(shù)據(jù)庫(kù)中，所提算法在識(shí)別率和訓(xùn)練時(shí)間方面均優(yōu)于類(lèi)標(biāo)一致的K奇異值分解（ LC-KSVD）算法、局部特征和類(lèi)標(biāo)嵌入約束的字典學(xué)習(xí)（LCLE-DL）算法、支持矢量指導(dǎo)的字典學(xué)習(xí)（ SVGDL）算法和Fisher判別字典學(xué)習(xí)算法；且在四個(gè)數(shù)據(jù)庫(kù)中，該算法也比稀疏表示分類(lèi)（SRC）和協(xié)同表示分類(lèi)（CRC）取得更高的識(shí)別率。
?