原文来自 A new method of feature fusion and its application in image recogiton
基于典型相关分析（Canonical Correlation Analysis, CCA)提出了一种特征融合方法。
典型相关分析是一种处理两个随机向量之间相互关系的统计方法。这种方法将两组特征向量之间的相关特征作为有效的判别形式，因此它不仅适用于信息融合，而且还消除了特征中的冗余信息。
首先，提取具有相同模式的两组特征向量，建立两组特征向量之间的相关准则函数，提取他们的规范相关特征，提取它们的规范相关特征，形成有效的判别向量；然后，当两个散射矩阵是奇异的时，解决了规范投影向量的问题，使得它适用于高维空间和小样本的情况，在这种意义上，CCA的适用范围被扩展。
信息融合包含三种级别：
- 像素级
- 特征级
- 将两组特征向量聚集为一个联合向量，然后在高维实向量空间中提取特征。串行融合
- 另一种方法是通过复向量组合两组特征向量，然后在复向量空间中提取特征。并行融合
- 决策级
CCA的基本思想
在多变量统计分析中，通常需要研究两个随机向量的相关问题，即将两个随机向量的相关性研究转换为几对变量的相关性，这些变量是不相关的。
考虑到两个零均值随机向量X和Y，CCA找到一对方向a和b，最大化投影a1 =a^TX和b1 =a^TY之间的相关性，投影a1和b1被称为第一对规范变量。然后找到第二对规范变量a2和b2，它们与规范a1和b1不相关，并最大化它们之间的相关性。以此类推，直到提取出X和Y的所有相关特征。
为了研究X和Y的相关性，我们只需要分析几对规范变量的相关性
