1.一种基于多元回归的多视角步态分类方法，包括如下三个步骤：步骤1.从待分类步态数据集中提取人体轮廓，构造内点表示和边界表示的两种人体区域图像，并进一步生成轮毂能量图；

步骤2.基于所述的轮毂能量图，计算每一个步态图像序列对应的多周期混合步态能量矩阵作为步态特征；

步骤3.将多视角步态分类转化为一个多元回归问题，并构造卷积神经网络进行求解。

2.如权利要求1所述的基于多元回归的多视角步态分类方法，其特征在于：步骤1具体为：

首先，通过运动目标检测，得到内点表示的人体区域：I(X,Y)的值表示坐标为(X,Y)的像素点是否属于人体区域的内点，即在图像中是否落在人体区域内；

其次，根据内点表示的人体区域，计算当前人体区域的重心坐标：此处的NP表示图像中人体区域的像素个数：再次，进一步进行边缘提取，得到边界表示的人体区域：E(X,Y)的值表示坐标为(X,Y)的像素点是否属于人体区域的边界点，即在图像中是否落在区域边缘线上；

最后，根据边界表示的所述人体区域和重心坐标，连接每个边界点与重心，建立表征人体轮廓偏离中心点等特征的轮毂能量图，如下所示：L(X,Y)的值表示坐标为(X,Y)的像素点是否位于轮毂上，即是否落在人体轮廓线上的点与重心连线上。

3.如权利要求1所述的基于多元回归的多视角步态分类方法，其特征在于：步骤2具体为：

给定一个包含NF帧图像的步态图像序列，每一帧图像的宽度为W，高度为H，则对应的多周期混合步态能量矩阵MH,W定义如下：这里的m(i,j)为多周期混合步态能量矩阵MH,W第i行第j列的元素，i∈[1,H]，j∈[1,W]。

4.如权利要求1所述的基于多元回归的多视角步态分类方法，其特征在于：步骤3具体为：

以90度视角为基准数据，提取步态特征向量，并构造卷积神经网络实现步态分类，具体流程如下：首先，根据待识别数据集中每个对象的90度视角的步态图像序列，计算对应的多周期混合步态能量矩阵MH,W，并构造步态特征向量：这里的i∈[1,W]， 是MH,W每一列对应的向量。

其次，定义一个卷积神经网络模型φ，实现从任意视角的步态图像序列中提取步态特征向量。模型φ的第一层为输入层，用于输入内点表示的人体区域I；最后一层为输出层，输出相应的步态特征向量预测结果；中间为一系列的卷积层和池化层组合，以及一个全连接层。

y*＝φ(I,θ)   (8)

最后，定义损失函数，并对模型φ进行训练来获得最优模型参数，这里，||||表示欧几里德距离。