1.一种基于四元数广义判别分析的RGB-D目标识别方法，其特征是：包括基于四元数的RGB-D图像表征方式、定义四元数广义判别分析、基于平均行和平均列的双向四元数广义判别分析识别方法，具体步骤如下：步骤1，基于四元数进行RGB-D图像表征，具体步骤如下：采用四元数表征RGB-D图像，对于一张RGB-D图像，每个像素可以用函数g(u,v)表征为g(u,v)＝gD(u,v)+gR(u,v)i+gG(u,v)j+gB(u,v)k式中，gD表示彩色图像所对应的深度图像，gR，gG，gB分别表示彩色图像的红色分量，绿色分量和蓝色分量，i，j，k分别表示满足如下规则的基本四元数单位：i2＝j2＝k2＝-1,ij＝-ji＝k,jk＝-kj＝i,ki＝-ik＝j；

步骤2，定义四元数广义判别分析：

步骤2-1，假设四元数样本集X有C个类，每个类有Mc个样本；X在特征空间F中的类内散度矩阵SB和类间散度矩阵SW可以分别定义为：式中， 是样本集X中第c个类的样本均值，定义为：式中， 表示样本集X中第c个类的第s个样本；

步骤2-2，四元数广义判别分析通过最大化类间距离和类内距离的比值，类间距离和类内距离可以用步骤2-1中SB和SW来表示；最大化的过程可以看成寻找特征值λ和特征向量v，使其满足：步骤2-3，将特征向量v看成样本X的非线性映射 和系数矩阵α的线性表示，式中，Xcs表示样本集X中c类样本集的第s个样本，αcs表示样本Xcs对应的系数矩阵；

步骤2-4，对于SB和SW中的协方差矩阵，用四元数核矩阵Kx,x进行替代，Kx,x＝k(X,X)＝步骤2-5，将对称四元数核矩阵Kx,x特征分解，K＝PτP

式中，τ是关于Kx,x的非零特征值，P是τ对应标准化后的特征向量；并满足PTP＝I，I表示单位四元数矩阵；

步骤2-6，步骤2-2中的特征值λ可以重新表示为，式中，D表示一个对角块矩阵，每个对角块的大小是Mc×Mc，所有元素值为1/Mc；

令τPTα为β，PDP为Υ，上式可以重新表示为：λβ＝γβ

步骤2-7，β和λ分别是Υ的特征向量和特征值；对Υ特征分解后，对于系数矩阵α，其和β有如下关系，α＝Pτ-1β

步骤2-8，计算测试样本Xtest的投影矩阵YQGDA，步骤3，基于平均行和平均列的双向四元数广义判别分析识别对RGB-D目标进行识别；

步骤3-1，按照步骤1的方式，重新表征RGB-D训练样本集X，并按照行和列两个方向分别计算RGB-D样本集的平均行和平均列 δ∈{row,col}；

步骤3-2，对样本集X求步骤2-D所描述的四元数核矩阵 δ∈{row,col}，步骤3-3，对四元数核矩阵 特征分解，得四元数核矩阵的特征值τδ和特征向量Pδ，δ∈{row,col}，构建对角矩阵D，D＝(Dc)c＝1,2,...,c

式中，Dc表示第c个类的对角块，假设每个类有Mc个样本，则Dc的所有元素为1/Mc；

步骤3-4，将对角矩阵D和Pδ重新组成γδ，对γδ特征分解，求其特征向量Pδ和特征值λ，γδ＝PδDPδ根据 的特征值τδ和特征向量Pδ以及βδ计算系数矩阵αδ，αδ＝Pδ(τδ)-1βδ；

步骤3-5，计算训练样本的投影矩阵

步骤3-6，按照步骤2-1的方式，重新表征RGB-D测试样本集Z，并按照行和列两个方向分别计算RGB-D样本集的平均行和平均列 δ∈{row,col}；

步骤3-7，计算行方向和列方向关于训练样本 和测试样本 的四元数核矩阵δ∈{row,col}，步骤3-8，结合 以及步骤3-4中的系数矩阵αcs计算测样样本Z的投影矩阵步骤3-9，对于训练样本和测试样本的投影矩阵 和 计算四元数欧式距离，对四元数欧式距离按照其方向最大值进行归一化操作,步骤3-10,对于行和列两个方向的标准化距离进行特征融合，并将融合后的距离选择识别分类器进行分类。

2.根据权利要求1所述的一种基于四元数广义判别分析的RGB-D目标识别方法，其特征在于：所述的步骤3-2和步骤3-7中核函数选择了多项式核函数，定义如下：k(Xs,Xt)＝(Xs·Xs+c)b

其中，c和b是两个可调节参数。

3.根据权利要求1所述的一种基于四元数广义判别分析的RGB-D目标识别方法，其特征在于：所述的步骤3-10中识别分类器选择了最小路径分类器，分类器的定义如下：从而测试样Zt归属于训练样本 所在的类。