1.一种结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于包括如下步骤：步骤1，从包含c个类别的待处理图像集中获取V种视图，并将其组成数据集X＝[x1，x2，…，xn]∈Rd×n，其中d代表数据的特征维度，n代表数据集的样本数；

步骤2，提取数据集X的总散度矩阵St；

步骤3，在步骤2的基础上构建基于线性判别分析的KM聚类模型；

步骤4，在步骤3的基础上构建基于组稀疏约束和特征选择的多源数据联合聚类模型；

步骤5，求解步骤4得到的多源数据联合聚类模型的目标函数，并进行优化。

2.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤2中，提取数据集的总散度矩阵St的公式是：其中，为数据集样本的总平均值。

3.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤3中，KM聚类模型的目标函数如下：其中，W＝[w1，...，wd]T∈Rd×m为特征选择矩阵，m为降维后的特征维度，I为单位矩阵，F＝[f1，f2，…，fn]T∈Rn×c为预测标签矩阵，G＝[g1，g2，…，gc]∈Rm×c为聚类中心矩阵，||·||2，1代表其l2，1范数且对于任意矩阵M∈Rr×p，

4.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤4中，多源数据联合聚类模型的目标函数如下：其中，W＝[w1，...，wd]T∈Rd×m为特征选择矩阵，m为降维后的特征维度，I为单位矩阵，F＝[f1，f2，…，fn]T∈Rn×c为预测标签矩阵，G＝[g1，g2，…，gc]∈Rm×c为聚类中心矩阵，||·||2，1代表其l2，1范数且对于任意矩阵M∈Rr×p， ||·||G2，1代表G2，1范数，设 为第i组视图数据对应的特征选择矩阵，则W表示为 且其G2，1范数表示为 γ和η是正则化参数，分别用于控制模型中特征稀疏度和视图间的稀疏度。

5.如权利要求4所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤5中，求解多源数据联合聚类模型的目标函数的过程是：步骤a1，将目标函数转换为如下形式：

其中，E＝[e1，e2，…，en]＝XTW-FGT，且D，De和 均是对角阵，定义如下：步骤a2，设W，De，D，和G已经给定，令Dii代表矩阵D的第i个对角元素，则目标函数转换为：其中，fi表示预测标签矩阵F的第i个列向量；

则F通过下式获得，即：

其中，gk表示聚类中心矩阵G的第k个列向量，k＝1，…，c；Fij表示F中的第i行第j列元素；

步骤a3，设F，De，D，已经给定，取转化后目标函数对G的导数，并令求导结果为0，得：G＝WTXDeF(FTDeF)-1

将所求得的G代入目标函数，目标函数转化为：其中，Sw＝XDeXT-XDeF(FTDeF)-1FTDeXT；

定义Λ为拉格朗日乘子，继而得拉格朗日函数：将以上拉格朗日函数对W求导，得：

则最优解W*通过求解以下矩阵的m个最小特征值获得：

6.如权利要求5所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤5中，进行优化的具体过程是：令t代表迭代次数

步骤b1，随机初始化特征选择矩阵W，类别中心矩阵G，初始化De，D，为单位矩阵；

步骤b2，在低维嵌入数据WTX上应用传统KM方法求解F；

步骤b3，更新W为由 前m个最小特征

值对应特征向量所组成的矩阵；

步骤b4，更新G＝WTXDeF(FTDeF)-1；

步骤b5，更新De，D和

步骤b6，重复执行步骤b2-步骤b5，直到收敛，输出类别标签矩阵F和特征选择矩阵W，其中第i个特征的权重由||w1||2确定，而第v个视图的权重由 确定。