1.一种基于分组稀疏的多核学习图像分类方法，其特征在于，其步骤为：

步骤一、从数据库中挑选已标定图像样本，并将样本随机分成训练样本和测试样本；

步骤二、分别提取样本中每幅图像的形状特征、SIFT特征和Gabor特征；

步骤三、选取基核并设置基核参数候选值；

步骤四、将步骤二中提取的训练样本的特征代入分组稀疏多核学习分类模型进行训练；

步骤五、利用测试样本对分组稀疏多核学习分类算法进行测试。

2.根据权利要求1所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：所述的步骤一中，数据库为Caltech-101图像数据库，挑选出的每一幅图像裁剪成指定大小。

3.根据权利要求1或2所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：所述的步骤二中，先基于Hu不变矩提取7维形状特征向量，再以关键点为中心将图像块分割成4×4个较小的区块，然后提取每个小区块中心点的SIFT特征向量；按32×32大小对图像进行分块，整幅图像被分成64块，利用二维Gabor滤波器提取每个图像块的Gabor特征。

4.根据权利要求3所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：所述的步骤三中，设置10个基核参数候选值，以产生不同基核；针对每一个特征，通过混合l1-范数和l2-范数组合约束来产生每个基核的最优权重drh，使得每个异构特征可以与多个不同的基核相关联，不同特征属性得以对应最合适的基核。

5.根据权利要求4所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：所述的步骤四中，分组稀疏多核学习分类模型是基于多核学习框架，基于多核学习的决策函数为：式中，xi和xj是输入样本，yi和yj是对应的类别标签，αi和αj是拉格朗日乘数，Km表示不同的基核函数，M为基核数量，dm是组合系数，b为偏置参数；M为基核数量，N为样本数量。

6.根据权利要求5所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：在基于MKL框架 的基础上，对组合系数dm添加l1-范数和l2-范数的组合约束；设定分类目标有s个特征，每个特征有h个核函数备选，得到sh个基核，进而得出分组稀疏多核学习分类算法基本框架：上式中，dm＝[dm1,dm2,…,dmh]，ξi为松弛变量，w为变量，C为惩罚因子。

7.根据权利要求6所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：固定组合系统d，所述的式(6)转化成一个关于变量w,ξi和b的Lagrangian方程，通过求导并代入KKT条件，式(6)转化成一个最小-最大优化问题：式中，Krp表示不同的基核，drp是每个基核的权重。

8.根据权利要求7所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：将所述的式(6)最小-最大优化问题转化成一个半无限规划问题，通过迭代法求解出α和d，最后计算GS-MKL算法的决策函数：

9.根据权利要求8所述的一种基于分组稀疏的多核学习图像分类方法，其特征在于：所述的步骤四中，分组稀疏多核学习分类模型以多核学习框架为基础，具体框架如下：