1.一种基于深度学习的步数测量方法，其特征在于，包括以下步骤：S1、将惯性测量单元设置在目标对象的足部，采集足部的惯性原始数据；

S2、采用固定步长滑动窗口对惯性原始数据进行分割，得到若干分割后的序列数据；

S3、对于每个序列数据，将其拆分并排列为前向数据和后向数据；

S4、将同一个序列数据对应的前向数据和后向数据分别输入对称型循环卷积神经网络，并通过对称型循环卷积神经网络获取目标对象处于站立状态的概率；

S5、根据目标对象处于站立状态的概率值与阈值的大小关系，判断目标对象的足部是处于摆动状态还是处于站立状态；

S6、将目标对象由站立状态切换为摆动状态的总次数作为其测量过程中的总步数，完成步数测量；

步骤S4中的对称型循环卷积神经网络包括两个相同的循环卷积神经网络分支和两层串联的全连接层，两个循环卷积神经网络分支的输出拼接后与全连接层的输入相连接；每个循环卷积神经网络分支包括三层卷积层，每层卷积层后均设置有一个最大池化层，最后一个最大池化层的输出与四层串联的长短时记忆网络相连，最后一层长短时记忆网络的输出为该循环卷积神经网络分支的输出。

2.根据权利要求1所述的基于深度学习的步数测量方法，其特征在于，所述步骤S1中的惯性测量单元包括采样率为400Hz的加速度计和陀螺仪。

3.根据权利要求2所述的基于深度学习的步数测量方法，其特征在于，所述步骤S2的具体方法为：

采用步长为1、长度为199的滑动窗口对惯性原始数据进行分割，得到若干长度为199的序列数据；其中每个序列数据均为三维矩阵，包含滑动窗口长度下加速度计和陀螺仪在三维坐标系中的数值。

4.根据权利要求3所述的基于深度学习的步数测量方法，其特征在于，所述步骤S3的具体方法为：

将每个长度为199的序列数据中的前100个数值构成的序列作为前向数据，将后100个数据进行逆向排列后得到的序列作为后向数据。

5.根据权利要求1所述的基于深度学习的步数测量方法，其特征在于，三层卷积层的卷积核大小均为15×3，卷积核数量分别为32、32和64。

6.根据权利要求1所述的基于深度学习的步数测量方法，其特征在于，三层最大池化层的池化核尺寸均为2×2。

7.根据权利要求1所述的基于深度学习的步数测量方法，其特征在于，两层串联的全连接层的神经元个数分别为64和1。

8.根据权利要求1所述的基于深度学习的步数测量方法，其特征在于，四层串联的长短时记忆网络的输出维度均为192，最后一层长短时记忆网络只取最后一个时间歩的输出。

9.根据权利要求1所述的基于深度学习的步数测量方法，其特征在于，所述步骤S5的具体方法为：

若目标对象处于站立状态的概率值大于等于0.5，则判定目标对象处于站立状态；若目标对象处于站立状态的概率值小于0.5，则判定目标对象处于摆动状态。