狄岚，矫慧文，梁久祯

（1. 江南大学 人工智能与计算机学院，江苏 无锡 214122; 2. 道路交通安全公安部重点实验室，江苏 无锡 214151; 3. 常州大学 信息科学与工程学院，江苏 常州 213164）

近年来，深度学习进入蓬勃发展时代，以深度学习为基础的图像识别[1-3]虽然识别准确率高，但往往对硬件设备要求严格，具有训练时间长达数周、样本量需求过大等不足之处。与之相比，基于稀疏表示的图像识别训练简单、对噪声有强鲁棒性，逐渐应用在社会安全、经济工程等领域。

字典学习的目的是通过训练样本图片，习得可以表示给定信号的字典和编码，共分为有监督和无监督两种情况。经典的无监督字典学习如KSVD[4]算法，可以有效解决高维矩阵求解问题，广泛应用于图像重建及图像压缩领域。而有监督字典学习多应用于图像识别领域，如人脸识别、表情识别等。根据字典原子和训练标签之间的相关性，有监督字典学习可分为类共享字典学习、类别特色字典学习、混合字典学习3类。

类共享字典学习如文献[5-7]等，字典和稀疏编码由所有训练样本共同构造，单个字典原子可表示全体数据类别。Zhang等[8]以KSVD算法为基础，在保证字典识别能力的基础上引入分类误差，提高线性分类器的分类能力。Jiang等[9]在其基础上，增加标签一致性术语，提出标签一致性KSVD (LCKSVD)算法。Mairal等[10]提出了任务驱动的字典学习框架。类共享字典在保留表示数据共性的同时丢失字典原子和类标签之间的关系，忽视了类别之间的差异性。……