作为一种基本而有效的方法,基于稀疏表示的分类(SRC)已在计算机视觉领域中应用了很多年。 但是,SRC假定每个类别中的训练样本对字典的贡献均相等,这将导致较高的残差和不稳定性。 为了解决该问题并进一步提高分类性能,提出了基于类的集中式字典学习算法。 CSCDL考虑了同一类中稀疏代码的集中程度,并显示出良好的识别性能,但是CSCDL仅适用于线性结构这一事实限制了其应用。 为了解决这个限制,在本文中,我们将CSCDL算法扩展到内核空间,并将非线性问题转化为线性问题。 内核函数和一些非线性映射用于将原