1.一种基于行扫描统计向量的步态特征表示和提取方法，其特征在于，包括以下步骤：

S1：提取步态轮廓图序列；

对于简单背景或者已有背景图片的步态视频，通过帧间差分法获取步态轮廓序列；对于复杂背景下的步态视频，先采用混合高斯模型进行背景建模，然后进一步通过帧间差分法提取完整的步态轮廓图序列；

S2：将S1得到的步态轮廓图序列中的每一帧进行二值化处理得到二值步态轮廓图，并通过对二值步态轮廓图逐行扫描,得到行扫描统计向量序列V1,V2,…,VM；

S2.1：对每一个步态轮廓图序列中的每一帧进行二值化处理，得到人体区域内部为1，其余区域为0的二值步态轮廓图；

S2.2：对S2.1得到的二值步态轮廓图进行逐行扫描，统计每行中值为1的像素点的个数，生成行扫描统计向量序列V1,V2,…,VM；

S3:针对S2.2得到的行扫描统计向量序列V1,V2,…,VM进行周期相似度分析，实现步态周期划分，从而得到以步态周期为基础的行扫描统计向量子集I1,I2,…,IN,其中N为一个步态视频中包含的完整步态周期数；

S3.1：计算S2.2得到的每个行扫描统计向量Vi与其后续Q个行扫描统计向量之间的距离，得到D(i,1),D(i,2),…,D(i,P)，其中，i＝1,2,…,P，P

其中Vj为Vi的后续行扫描向量,j＝1,2,…,Q；“·”表示两个向量的点乘；“||”表示向量的模。

S3.2：计算S2.2得到的每个行扫描统计向量Vi与其后续Q个行扫描统计向量之间的夹角的余弦值，得到C(i,1),C(i,2),…,C(i,P)；

其中，“||”表示向量的模。

S3.3：计算S2.2得到的每个行扫描统计向量Vi与其后续Q个行扫描统计向量之间的相似度，得到B(i,1),B(i,2),…,B(i,P)；

S3.4：将S3.3得到的相似度B(i,1),B(i,2),…,B(i,P)从小到大排序，选择最小值对应的行扫描向量V(i,min)作为行扫描统计向量Vi的配对向量,并记录对应的相似度B(i,min)；类似地，可以得到每个行扫描统计向量Vi的配对向量V(1,min),V(2,min),…,V(P,min)，以及相应的相似度B(1,min),B(2,min),…,B(P,min)；

S3.5：将S3.4得到的相似度B(1,min),B(2,min),…,B(P,min)从小到大排序，得到最小值对应的向量Vmin，并选择Vmin对应的帧作为步态周期的起始帧，Vmin的配对向量对应的帧作为步态周期的结束帧，实现步态周期划分。，从而得到一系列的周期化行扫描统计向量。

S4：基于S3.5生成的周期化行扫描统计向量，构造步态能量转移矩阵作为最终的步态特征。步态能量转移矩阵的每一列表征人正常行走时特定时刻的步态能量分布特性；步态能量转移矩阵的每一行表征一个步态周期内行人的步态能量转移特性。

2.根据权利要求1所述的基于行扫描统计向量的步态特征表示和提取方法，其特征在于，所述S4中构造步态能量转移矩阵的具体方法为：将一个步态周期内的第1个行扫描统计向量作为步态能量转移矩阵的第1列，第2个行扫描统计向量作为步态能量转移矩阵的第2列，以此类推。