1.一种改进的增量线性判别分析特征提取方法，其特征在于，所述方法包括如下步骤：步骤1、获取不同类别的图像训练样本，并将图像训练样本转换为数据矩阵；

步骤2、基于OWA算子计算数据矩阵的全局样本均值，并计算不同类别的图像训练样本的类别均值，根据全局样本均值计算数据矩阵的类间散度矩阵；

根据类别均值计算类内散度矩阵；

步骤3、当传入新的图像训练样本时，对全局样本均值进行更新，获取新的全局样本均值；

根据新的全局样本均值以及新的图像训练样本的类别均值分别对类间散度矩阵以及类内散度矩阵进行更新，以进行增量学习，得到增量学习后的类间散度矩阵和增量学习后的类内散度矩阵；

步骤4、根据增量学习后的类内散度矩阵和增量学习后的类间散度矩阵，使用Fisher判别准则得到新的投影矩阵；

步骤5、获取测试图像样本，将测试图像样本投影在新的投影矩阵上，进而实现数据的降维与特征提取。

2.根据权利要求1所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤2中，基于OWA算子计算数据矩阵的全局样本均值对应的过程存在如下关系式：；

其中，表示全局样本均值，表示第N个训练样本，表示训练样本总数，表示第j个训练样本的权重，表示训练样本中第j个最大的值；

；

其中，表示非递减模糊量词函数，用于表示非递减比例模糊语言量词在模糊逻辑中的分布；表示参数向量的数量。

3.根据权利要求2所述的改进的增量线性判别分析特征提取方法，其特征在于，非递减模糊量词函数对应的过程存在如下关系式：；

其中，表示输入变量，表示递增区间的下界，表示递增区间的上界。

4.根据权利要求3所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤2中，根据全局样本均值计算数据矩阵的类间散度矩阵对应的过程存在如下关系式：；

其中，表示类间散度矩阵，表示类别数量，表示第j类样本的个数，表示第j类样本的均值，表示转置操作，表示向量维度，表示实数集合。

5.根据权利要求4所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤2中，根据类别均值计算类内散度矩阵对应的过程存在如下关系式：；

其中，表示类内散度矩阵，表示属于第j类的样本向量，表示新输入的训练样本。

6.根据权利要求5所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤3中，对全局样本均值进行更新，获取新的全局样本均值对应的过程存在如下关系式：；

其中，表示新的全局样本均值。

7.根据权利要求6所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤3中，根据新的全局样本均值以及新的图像训练样本的类别均值对类间散度矩阵进行更新对应的过程存在如下关系式：；

其中，表示更新后的类间散度矩阵，表示更新后的第类的类别样本均值。

8.根据权利要求7所述的改进的增量线性判别分析特征提取方法，其特征在于，更新后的第i类的类别样本均值的计算过程存在如下关系式：；

其中，表示第i类样本的个数，表示第i类样本的均值。

9.根据权利要求8所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤3中，根据新的全局样本均值以及新的图像训练样本的类别均值对类内散度矩阵进行更新对应的过程存在如下关系式：；

其中，表示更新后的类内散度矩阵。

10.根据权利要求9所述的改进的增量线性判别分析特征提取方法，其特征在于，在所述步骤4中，根据增量学习后的类间散度矩阵和增量学习后的类内散度矩阵，使用Fisher判别准则得到新的投影矩阵的方法具体包括如下步骤：利用增量学习后的类间散度矩阵和增量学习后的类内散度矩阵计算广义特征值矩阵；

将广义特征值矩阵进行特征分解，得到包含若干特征值的对角矩阵以及与特征值对应由特征向量组成的特征向量矩阵；

将若干特征值降序排序，选择前若干特征值对应的特征向量形成新的投影矩阵。