1.一种基于高维PCANet的鲁棒图像识别方法，其特征在于，所述方法包括以下步骤：步骤1选取J张图像A＝{A1,…,AJ}作为训练集，对应的类别标签为 Z＝{Z1,…,ZK}为待识别图像的集合，即测试集，这里， 分别表示实数域上的具有C0∈{1,3}个通道的长宽为m×n的图像；

步骤2初始化参数和输入数据：令 这里， 用于指示网络所处的阶段， 表示网络处于训练阶段， 表示网络处于测试阶段；令l＝0，这里，l用于指示输入图像或特征图在网络中的层数， 其中，步骤3由 构建矩阵

其中， 为 的均值，

表示从 的第c个通道中抽取的第b∈{1,2,…,mn}个大小为k×k的特征块，Vec(·)表示将矩阵拉伸为列向量的运算；

步骤4如果 网络处于测试阶段，则跳至步骤7，否则，执行下一步；

步骤5计算 的主方向 其中， 为协方差矩阵 的第i′个特征向量，对应的特征值为λi′，且(l) 2

步骤6由V 获取Cl+1个立体式滤波器组 Cl+1≤k；

(l+1)

步骤7计算第l+1个卷积层的特征图集X ；

步骤8令l＝l+1，执行上述步骤3～步骤7，直至l＝L，这里L表示预先给定的最大卷积层数；

(l)

步骤9初始化参数和输入数据：令 l＝0， 其中，Yi ＝Ai，N＝J；

步骤10由 构建矩阵 其

中， 为 的均值，

(l)

表示从Yi 的第c个

通道中抽取的第b∈{1,2,…,mn}个大小为k×k的特征块；

步骤11如果 则跳至步骤14，否则，执行下一步；

步骤12计算 的主方向 其中， 为协方差矩阵 的第i″个特征向量，对应的特征值为λi″，且步骤13由 获取Cl+1个立体式滤波器组 Cl+1≤2

kCl；

(l+1)

步骤14计算第l+1个卷积层的特征图集Y ；

步骤15令l＝l+1，执行上述步骤10～步骤14，直至l＝L；

(L) (L)

步骤16将特征图集X 和Y 合并起来形成新的特征图集F：步骤17对特征图集F进行模式图编码，得到模式图集P：P＝{Pi,β}i＝1,…,N；β＝1,…,B，其中，表示第i个样本的第β∈{1,…,B}个模式图，Fi,·表示特征图子集Fi中的第·个特征图， T表示参与单个模式图编码的通道数，USF(·)表示单位阶跃函数，将输入数值通过与0比较进行二值化，即：T

步骤18从模式图集P中提取柱状图特征H：H＝[Hi]i＝1,…,N，其中，Hi＝[Hi,1,…,Hi,B] ，Hi,β＝Qhist(Pi,β)，Qhist(Pi,β)表示将模式图Pi,β划分为Q块，从每一块中提取柱状图，每个柱状T T图使用2个分组，也就是，统计模式图的编码值在每一特征块的2个分组中出现的频率；

Te Tr

步骤19如果 则令H ＝H，跳至步骤21；否则，令H ＝H，执行下一步；

步骤20令 l＝0， 其中，N＝K， 执行步骤3～步骤19；

步骤21计算度量矩阵M＝[Mi,j]i＝1,…,J；j＝1,…,K，其中， 这里，其中，D表示 和 的长度， 表示 中的第d个元素， 表示 中的第d个元素；

步骤22计算测试集Z中各样本的类别Id＝[Idi]i＝1,…,K：其中，Mi表示度量矩阵M中的第i列向量，minIndx(·)表示Mi中的最小元素的索引。

2.如权利要求1所述的基于高维PCANet的鲁棒图像识别方法，其特征在于，所述步骤7(l+1) (l+1中，按照如下步骤计算第l+1个卷积层的特征图集X ：7.1)将 投影到W )：(l+1)

7.2)将 中的元素重新组织为特征图集X ：其中， 且

c＝j％Cl+1；

这里， 表示 的第c列的第a到b行的列向量，a％b表示a对b取余， 表示对实数a下取整，matm×n(ν)表示将任意列向量 重新排列为m×n的矩阵。

3.如权利要求1或2所述的基于高维PCANet的鲁棒图像识别方法，其特征在于，所述步(l+1) (l+1)骤14中，按照如下步骤计算第l+1个卷积层的特征图集Y ：14.1)将 投影到W ：(l+1) (l

14.2)将 中的元素重新组织为特征图集Y ：Y+1) (l+1)

＝{Yi }i＝1,…,N，其中， 且这里， 表示将集合·中的矩阵在通道方向上连接起来。