全文总字数：2059字

1. 研究目的与意义及国内外研究现状

基于图像内容的目标分类是模式识别领域里一个重要的研究方向，吸引着众多的研究人员进行不懈的研究，并且在最近十来年取得了很大的进展。基于图像的目标分类有着广泛的应用，尤其是在视频跟踪、机器人以及图像检索领域。尽管识别效果已经取得了较大的进步，但是离实际应用还有很大的距离，尤其是“语义鸿沟”问题没有得到很好地解决。随着互联网和手持式移动终端的不断发展，产生了越来越多的图片，这些图片形式各异，靠人工的方法来识别整理这些图像是不合实际的，所以迫切需要一种方法来对其进行自动识别和自动整理。

图像分类技术正是这样的一种识别和组织图像的方法，可以根据图像上的特征学习图像所表达的内容，实现对图像的分类和组织。图像分类方法可以广泛地应用到国防安全、图像检索、数据过滤、犯罪与安全防御和智能机器人领域。

国内外研究现状

近年来，局部特征描述凭借其出色的稳定性和可区分性，受到越累越多学者的重视，并且成功地应用于计算机视觉的多种应用中。在利用局部特征对图像描述时，每幅图像被分解成很多份，每个部分对应一个特征向量。这样区别于全局特征描述每幅图像对应的一个特征向量，利用局部特征描述时每幅图像对应一个特征向量集合。然而，由于传统的相似度度量以及分类算法都是基于全局特征设计的。因此，在我们对基于局部特征描述的图像进行分类时，存在着很多的问题和挑战。例如：如何度量两个特征向量集合之间的相似度，如何将传统 学习算法应用于局部特征描述的图像分类等等。

2. 研究的基本内容

本文有两个主要动机：

1） 局部特征的重要性：局部基于外观的描述符，已被证明在通用对象识别问题中非常成功。即使没有任何形状（结构）信息也可以成功地用于识别。最近，人们对在局部特征之上编码局部几何形状也有很多兴趣，这被证明可以改善识别。

2）流形学习：学习图像流形已被证明对于在类变异性中学习非常有用，从不同的视角学习外观流形，学习活动和用于活动识别的姿势流形和跟踪等。

3. 实施方案、进度安排及预期效果

我们引入了一种新的框架，用于从图像中的局部特征集合中学习多种表示。我们首先展示如何学习一种特征嵌入表示，它既保留了局部外观相似性，又保留了特征的空间结构。我们还展示了如何通过引入适合此上下文的样本外的解决方案来嵌入新图像中的功能。通过解决这两个问题并在特征嵌入空间中定义适当的距离测量，我们可以到达图像流形嵌入空间。

进度安排：每周进行一次进度报告。四月初完成外文翻译，2-3周内进行代码的编写和调试，实现预期效果，四月底完成初稿并上交。

预期效果：利用matlab将数据库中的图片根据目标进行自动分类

4. 参考文献

1) y. bengio, j.-f. paiement, p. vincent, o. delalleau, n. l.roux, and m. ouimet. out-of-sample extensions for lle,isomap, mds, eigenmaps, and spectral clustering. in nips, 2004

2) a. c. berg. shape matching and object recognition. phdthesis, university of california, berkeley, 2005.

3) t. f. cootes, c. j. taylor, d. h. cooper, and j. graham. activeshape models: their training and application. cviu,61(1):38–59, 1995.