1.按部分学习解耦表征的步态识别方法，其特征在于，包括如下步骤：(1)通过自编码器将原始图像分解成外观特征、典型特征和姿态特征；

(2)利用水平金字塔匹配HPM将典型特征提取为静态步态特征；

(3)利用微运动捕捉模块MCM将姿态特征累计成动态步态特征；

(4)将静态步态特征和动态步态特征进行拼接实现特征嵌入操作；

步骤(2)中，利用水平金字塔匹配将典型特征提取为静态步态特征包括：(201)将典型特征输入到HPM中进行池化，通过水平金字塔将不同部位的特征图映射到定长的向量中，其中典型特征用c表示，水平金字塔的个数为S，在第m个金字塔中典型特征m‑1图fc将被分成2 层，总计 份，使用全局平均池化GAP和全局最大池化GMP得到第i×g部分典型特征 表达式为：式中，i代表第i个金字塔，g代表金字塔的第g层；avgpool表示全局平均池化，maxpool表示全局最大池化；

(202)定义典型统一性损失函数 获取唯一的典型特征，表达式为：式中， 代表t时刻条件con下第p部分的典型特征，h表示步态序列的长度；

(203)将水平金字塔池化得到的典型特征c进行均值的计算，然后进行1×1卷积运算，将典型特征c的维度D降至d，得到静态步态特征Fsta的表达式为：步骤(3)中，利用微运动捕捉模块MCM将姿态特征累计成动态步态特征包括：所述姿态特征矩阵p包含t时刻的部分姿态特征，用pj表示第j个部分的n个时间片的姿态特征，即(301)微运动捕捉模块MCM使用微运动模板生成器MTB从姿态特征pj中提取帧，记为其中t为当前处理的帧，r为最远帧离当前帧的距离，k表示处理帧范围；

(302)对提取的帧Rj(pj,r)分别进行压缩和权重重定义再进行内积，得到微运动特征Mj，模板函数为一维平均池化和一维最大池化之和，通过一维卷积和Sigmoid激活引入通道间的注意力机制；

(303)通过时间池化将微运动特征Mj聚合成为部分姿态特征向量vj：假设一个步态周期有N个视频帧，需要有一个函数f作用在n个时间片的特征上的结果和作用在N个视频帧的相同，统计函数均值和最值都满足这个要求，但考虑到步态视频长度的不确定性，视频内的步态周期不同，使用最大值作为时间池化函数，即对于其中Mj(n)为n个时间片上的特征，Mj(N)为N个视频帧的特征；

(304)将m个部分姿态特征向量vj拼接在一起，各部分通过全连接层FC分别映射到另一个分辨率更高的特征空间，组成动态步态特征矩阵Fdyn，表达式为：‑1

Fdyn＝FC([v1,v2,…,vm] )。

2.根据权利要求1所述的步态识别方法，其特征在于，步骤4中，拼接公式为：F＝[Fsta,Fdyn]。