赵 雅，钟佳莹，吕文涛

（浙江理工大学 信息学院，杭州 310018）

0 引言

历年来，判别字典学习算法在处理视觉跟踪、计算机视觉和图像处理等各个领域都有着广泛的应用。文献［1］提出了一种通过共享特征的、具有特征结构的字典学习算法，针对每一类样本进行字典学习，并对字典进行聚类，从而将同一学习字典下相关联的数据点聚集在一起。文献［2］将原始数据的局部关系，整合到基本字典学习框架中。DDL（Discriminant Dictionary Learning，判别字典学习）算法模型，考虑了类内局部信息和类间特征模糊性。由于判别字典学习依赖于预先设置的系数矩阵的初始值和样本数量，因此该方法不建议直接应用于类间特征模糊度较大的图像目标。

基于以上描述，本文在文献［3］的基础上，改进并提出了基于判别子字典学习的图像分类优化方法。在目标函数的基础上，构造一个子字典的低秩约束项、标签信息约束项和拉普拉斯矩阵正则化项。针对每一类图像，学习其对应的特定字典，使字典中包含该类别的特定原子，规避不同子字典之间原子的相关性。通过标签信息约束项，将大系数集中在某一类别的特定原子上，加强判别能力。同时将原始样本映射到一个新的空间中，使同一类别的相邻点彼此靠近，增强子字典对同类样本的重构能力。为了提高分类的准确率和规避特征图像的字典中的重复原子，在分类过程中引入重建残差，通过重建残差估计测试样本的类别标签，提高字典的判别能力，得到算法的分类准确率。……