1.一种基于双张量的全息衍射标签图像识别算法，其特征在于，包括步骤：S1.获取全息衍射标签的原始图像，其中，所述原始图像包括训练样本的原始图像和测试样本的原始图像；

S2.将所述获取的测试样本的原始图像进行预处理，生成HSV张量并提取HOG张量；

将所述获取的训练样本的原始图像进行预处理，生成HSV张量并提取HOG张量；

S3.将获得的测试样本的HSV张量和HOG张量组成双张量；将获得的训练样本的HSV张量和HOG张量组成双张量；通过典型相关分析测量训练样本和测试样本不同分解矩阵之间的相似性；

S4.将所述不同分解矩阵之间的相似性使用最近邻算法进行分类。

2.根据权利要求1所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述步骤S2具体包括：分别将测试样本和训练样本的原始图像转化为灰度图像。

3.根据权利要求2所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述步骤S2还包括：将所述灰度图像通过最大类间方差法转化为二值图像，将所述二值图像进行Canny边缘检测。

4.根据权利要求2所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述步骤S2还包括：计算所述灰度图像的所有像素位置的梯度信息。

5.根据权利要求1‑4任一项所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述步骤S2中对原始图像进行预处理还包括旋转校正。

6.根据权利要求5所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述步骤S3具体包括：a.分解矩阵的生成：使用高阶奇异值分解算法将高阶张量展开形成二维矩阵；

b.典型相关分析相似性测量：使用典型相关分析对训练样本和测试样本的双张量不同分解矩阵之间的相似性进行测量；

c.相似性融合：将每个分解矩阵视为一个独立的单元，使用相似性融合来组合训练样本和测试样本的双张量的相似度。

7.根据权利要求6所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述典型相关分析相似性测量具体为：T T

ρ＝maxcorr(ux，vy)；

其中，u和v表示典型变量，ρ表示典型相关性，corr(x，y)表示x和y的相关性。

8.根据权利要求6所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述相似性融合具体为使用主成分分析查找投影子空间。

9.根据权利要求8所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述查找投影子空间具体为：将Ψ1，Ψ2，……Ψt作为训练样本的相似向量查找主成分分析的子空间，所述相似向量Ψ1，Ψ2，……Ψt的均值定义为：散布矩阵为：

散布矩阵分解为：

T

S＝ΦΛΦ；

其中， 主成分分析的子空间通过散布矩阵S的特征值对应的特征向量组成；

生成测试相似度向量：

ΨT＝{max(Ψj，1)，…，max(Ψj，n)|j＝1，2，…t}；

其中，{max(Ψj，n)|j＝1,2，…t}表示训练样本向量第n列的最大值；

将所有训练样本向量Ψ1，Ψ2，……Ψt和ΨT投影到主成分分析的子空间中。

10.根据权利要求1所述的一种基于双张量的全息衍射标签图像识别算法，其特征在于，所述步骤S1中获取全息衍射标签的原始图像是通过照相机或者摄像机获取的。