基于分类的M近邻判别性低秩字典学习算法

针对稀疏编码学习的字典过大而导致字典冗余和计算复杂的问题，提出了一种M近邻判别性低秩字典学习( MLR)算法。该算法首先引入低秩表示，去除字典的噪声，使同类字典原子之间具有更强的线性相关性，可增强字典的紧凑性和纯粹性，提高字典的质量。然后用K-奇异值分解( KSVD)算法更新字典，保持字典的表示性能，获取最优的稀疏解。在分类中，结合M近邻思想，可得到与测试样本能量相近的字典原子，增强其聚类能力，并能提高分类的精确度。基于扩展的YaleB和AR人脸数据库上的实验结果表明，该方法用较小的字典得到更好的分类性能，并优于对比的算法。