本项目属于基础研究，围绕基于f-divergence的图像相对特征、深度混合模型、二值特征等方法开展研究，在利用物体识别、场景分类等多个图像任务对所开发的模型和方法进行验证。主要成果包括：

   (1)研究了f-divergence用于图像特征表示的基本特性，特比是利用信息几何理论方法对f-divergence做了几何分析。

   (2)以f-divergence作为基本工具，提出图像的局部色彩相对描述子LCCD，并通过密集采用和Fisher Vector编码等技术，开发基于LCCD的图像识别方法。在PSCAL等数据的实验表明了该方法的有效性。

   (3)开发深度混合模型DHM，该模型融合深度卷积网络中的全连接层和卷积层特征进行识别，提出中层监督方法以增强中间卷积层特征的判别性。分析和实验表明全连接层和卷积层特征具有很好的互补性，融合二者可提高图像最终识别率。

   (4)开发出一种新型的二值特征，采用扇环区域进行采样，并通过AdaBoost的位选择得到紧凑的二值特征，采用凸优化的方法将不同特征图像得到的紧凑二值特征进行拼接得到RMGD(Ring-based Multi-Grouped Descriptors)描述子，该二值描述子在多各图像匹配数据库上取得了优异的性能。

   (5)以Fisher vector脸作为基础，提出一种基于部件的迁移模型，用于人脸表示。在不同领域或模态数据如正面人脸图与非限定约束的人脸图，以及红外人脸图与可见光人脸图，分别进行迁移学习，在性别分类任务中取得良好的效果。