随着科学技术的飞速发展，特别是计算机网络的高速家庭化，人们的生活方式发生了翻天覆地的变化，公共安全的关注度也越来越高。特定对象的分类识别方法经过几十年的发展已经达到了一定的高度，然而基于安防、门禁、交通等各方面的应用的需求更是层出不穷。现有方法对于特定环境，特定条件下对象的分类识别已有很高精度，然而更高要求的应用也对现有方法提出了更高挑战。
　　对象识别技术目前主要应用对象是人脸的分类识别。人脸识别技术基于其独特的实用性优势及其市场定位，更是受到了工业界及学术界的研究者的广泛青睐。
　　对已知种类的对象的识别已经成为目前的一个研究重点。由于对象姿态、光照、尺度的变化，对象的识别尤其困难。当对象类别已知时，对首次观测到的对象进行识别就变得更为困难。论文方法就是在Eric等人运用SIFT+ERT+SVM方法的基础上，对随机树生成过程中的打分机制进行了改进，并加入最小熵限制条件，使之获得了更好的识别效果，具有更好的推广作用。
　　本论文对图像的分类识别问题有以下三点贡献：
　　(1)首先，论文提出在目前尺度不变特征变换算子(SIFT)的基础上，融合完全随机树(ERT)构建新的特征进行图像分类识别的方法；
　　(2)其次，在ERT生长过程中，将现有的绝对熵计算模式改为香农熵(相对熵)模式，增强了ERT的稳定性，使得ERT的适应性更好；
　　(3)最后，论文对任意选择的分裂条件进行了最小熵限制，使得融合了SIFT的ERT在不失随机性的基础上，有更好的聚类效果，最终使得本论文提出的分类识别方法稳定性更好，精度更高。