近日，bv伟德源自英国始于1946贲晛烨副教授在图像处理国际顶级期刊 IEEE Transactions on Image Processing（影响因子：5.072）上发表Coupled Patch Alignment for Matching Cross-view Gaits，在模式识别国际顶级期刊Pattern Recognition（影响因子：3.965）上发表A general tensor representation framework for cross-view gait recognition，在视频图像处理国际顶级期刊IEEE Transactions on Circuits and Systems for Video Technology（影响因子：3.558）上发表Coupled Bilinear Discriminant Projection for Cross-view Gait Recognition，这些成果均以伟德BETVLCTOR1946为第一完成单位，贲晛烨副教授为第一作者且通讯作者。

        随着智能监控需求的提高，常常需要从远距离来进行人的身份识别。步态识别是目前能做到远距离的身份识别技术之一。

        视角变化对步态识别的影响是最具有挑战性的攻克难题。针对传统度量学习算法无法做到图像形态存在较大差异时的匹配问题，发展了耦合度量学习理论。所提出的耦合块对齐（Coupled Patch Alignment , CPA）度量学习算法是将样本和它的跨视角下同类近邻以及异类近邻组成局部块，平衡跨视角类内的紧密性与类间的可分离性，并将CPA进一步扩展成多维耦合块对齐，它解决了任意数量的视角共同学习问题。所提出的通用的跨视角耦合张量表示框架可解决当视角发生变化时仅学习一组多线性投影矩阵不足以完成高维数据的识别任务的问题。提出了三种准则：（1）耦合多线性局部保持准则（CMLP）是通过保持局部信息来描述张量流形的本质结构；（2）耦合多线性大间距Fisher准则（CMMF）是利用局部关系对类内紧密性和类间可分离性进行编码；（3）耦合多线性判别分析准则（CMDA）的目标是使类内散布最小化，使类间散布最大化。所提出的耦合双线性判别投影（Coupled Bilinear Discriminant Projection，CBDP）算法是基于是模式识别领域的重要模型线性判别分析，迭代地最大化类间距离度量与类内距离度量之比，优化得到跨视角样本的双线性变换矩阵，可使得图像的水平、竖直两个方向上对齐流形。CBDP不但保留空间结构信息，而且能够避免小样本问题。从理论上证明了CBDP的目标函数序列的上下界都是单调递增的，从而论证了CBDP的收敛性。

        贲晛烨副教授的研究成果显著地提高了跨视角步态的识别精度，且达到国际一流水平，对相关领域的后续研究具有重要的推动作用。该研究得到了国家自然科学基金项目、国家重点研发计划项目以及伟德BETVLCTOR1946青年学者未来计划项目的资助。