在过去的几年中，目视识别的基于稀疏表示的分类（SRC）表现令人印象深刻。 然而，由于每个类别中的训练样本对相应类别中的字典做出同等贡献，因此SRC技术可能会导致较高的残留误差和较差的性能。 这激发了班级专用词典学习算法的出现。 在本文中，我们提出了一种新颖的方法-在重现内核希尔伯特空间（KCSDL-LDA）中结合线性判别分析约束的类特定词典学习，该方法在多个方面对传统的类特定词典学习（CSDL）算法进行了修改和扩展。 首先，我们提出了一种新颖的特定于类的字典学习方案，该方案在生成该类中的字典时会
