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考虑每个类的每个样本的权重。 其次,我们将新颖的类特定词典学习方案扩展到“再生内核希尔伯特空间”,在其中可以提取并表示非线性结构以提高分类精度。 最后,我们通过在复制内核希尔伯特空间中将类特定的字典学习与线性判别分析约束相结合,进一步提高分类性能。 在扩展的YaleB数据集,CMU PIE数据集和AR数据集等多个面部识别基准数据集上的大量实验结果证明了我们提出的KCSDL-LDA的优越性能。