1.一种基于低秩和联合稀疏的多模态图像识别方法，其特征在于，包括下列步骤：步骤S1：训练用于多模态识别的低秩投影矩阵P以及字典D：步骤S101：构建优化模型：

其中，K表示模态数，C表示类别数，||·||F表示Frobenius范数，||·||1,2表示联合稀疏范数，||·||*表示核范数，上标T表示矩阵转置；

Xi表示第i种模态的训练样本的特征矩阵，且Xi为mi×n维的矩阵，其中mi表示第i种模态的训练样本的特征维度，n表示每种模态包含的样本数；Di表示第i种模态的字典；Λi表示字典Di的系数矩阵；稀疏系数Λ＝[Λ1,Λ2,...,ΛK]；λ表示正则化参数； 表示第i种模态的字典Di的原子；I表示单位矩阵；

步骤S102：基于预置的训练样本集，采用交替方向乘子法求解构建的优化模型，得到低秩投影矩阵P以及字典D；

步骤S2：基于待分类对象的不同模态的特征矩阵Y1,Y2,...,YK，将待分类对象通过低秩投影矩阵P进行投影后，求解关于字典D的联合稀疏表示，从而得到待分类对象的联合稀疏系数步骤S3：基于待分类对象的联合稀疏系数 进行分类处理，得到待分类对象的分类识别结果。

2.如权利要求1所述的方法啊，其特征在于，步骤S102中，得到低秩投影矩阵P以及字典D具体步骤为：步骤S102-1：初始化初参数，包括稀疏系数Λ0，低秩投影矩阵P0，字典D0；辅助变量Z0和W0，拉格朗日乘子AZ,0和AW,0；以及拉格朗日参数αZ，αW；迭代次数t＝0，最大迭代次数k；

其中，字典 稀疏系数

辅助变量Z0的矩阵维度与稀疏系数Λ0的矩阵维度相同，辅助变量W0的矩阵维度与低秩投影矩阵P0的矩阵维度相同；

步骤S102-2：更新稀疏系数Λ：

通过公式 得到第t+1次更新后的对应第i种模态的字典的系数矩阵 从而得到第t+1次更新后的稀疏系数Λt+1；

步骤S102-3：更新字典D：

通过二次问题求解器求解式子 s.t. 从而得到t+1次更新后的字典Dt+1；

步骤S102-4：更新低秩投影P：

通过公式 得到第t+1次更新后的低

秩投影矩阵Pt+1；

步骤S102-5：更新辅助变量Z：

通过公式 得到辅助变量Z在第t+1次更新后的第i行的行向量zi,t+1，从而得到第t+1次更新后的辅助变量Zt+1；

其中， γi,t+1、 分别为Λt+1、AZ,t的第i行的行向量；

步骤S102-6：更新辅助变量W：

通过公式 得到第t+1次更新后的辅助变量Wt+1；

其中，FΣBT是 的奇异值分解；函数S(a,b)取值为：当|a|≥b时：S(a,b)＝sgn(a)(|a|-b)；当|a|＜b时：S(a,b)＝0；

步骤S102-7：更新拉格朗日乘子AZ和AW：通过公式AZ,t+1＝AZ,t+αZ(Λt+1-Zt+1)和AW,t+1＝AW,t+αW(Pt+1-Wt+1)得到第t+1次更新后的拉格朗日乘子AZ,t+1和AW,t+1；

步骤S102-8：判断迭代次数t是否达到最大迭代次数k，若是，则将最近更新后的Pt+1和Dt+1作为投影矩阵P以及字典D的训练结果值；否则更新t＝t+1，并返回步骤S102-2。

3.如权利要求2所述的方法，其特征在于，所述最大迭代次数k的取值范围为10-15。