1.一种改进GaitSet的红外步态识别方法，其特征在于，包括如下步骤：

1)将初始CASIA‑C红外步态数据集中的视频序列按帧率拆分成图像序列；

2)采用Faster R‑CNN算法精准定位红外步态图像中的人体所在区域，返回人体最小包围框的同时标明不同区域内容所属类别，并采用Deeplab v3+算法提取人体剪影，构建样本集；

3)构建改进GaitSet的步态识别网络，通过引入剪影差分融合模块来凸显相邻步态帧之间的动态变化信息；

4)使用残差单元Bottleneck替换卷积层，用以加深网络层次，提高模型收敛速度；

5)提出一种多尺度特征融合技术来捕获不同粒度的步态信息，使提取到的特征信息更具代表性和区分度；

6)采用多尺度金字塔映射模块来有效融合横向和纵向上的步态信息，进一步增强模型的特征提取能力；

7)利用步骤2)得到的训练样本对网络模型进行训练，通过相似性度量完成身份识别。

2.如权利要求1所述的改进GaitSet的红外步态识别方法，其特征在于，样本数据生成的具体操作为：首先，将初始CASIA‑C数据集中的行人步态视频流按照帧率拆分成图像序列；然后，采用Faster R‑CNN算法对图像序列进行目标检测，并形成人形快照；最后将人形快照序列输入到Deeplab v3+语义分割模型中进行人体剪影提取，并将人体剪影归一化至

64×64大小。

3.如权利要求1所述的改进GaitSet的红外步态识别方法，其特征在于，设计出步态剪影差分融合模块，计算公式为：。

4.如权利要求1所述的改进GaitSet的红外步态识别方法，其特征在于，引入残差单元Bottleneck，使得网络前向传播过程中卷积层之间可形成跳跃连接，在实现对输入与输出的恒等映射、特征降维、加深网络层次以及加快模型收敛速度目的的同时不会造成模型性能退化，输入 与残差映射 的关系为：，

当残差映射为0时，计算深层 的输出为：

。

5.如权利要求1所述的改进GaitSet的红外步态识别网络，其特征在于，在由4个Bottleneck、2个池化层、2个SP层以及2个3×3的卷积层构成的网络主干路中增加两个1×1卷积的分支结构，用于在主干路的不同深度进行特征采样，其计算公式为：。

6.如权利要求1所述的改进GaitSet的红外步态识别方法，其特征在于，提出多尺度金字塔映射模块，用于将水平方向及垂直方向上的步态特征信息一起引入到最终的判别任务中；其中横向以及纵向分割得到的特征块个数计算公式如下：，

，

式中i和j代表分割尺度，其中 ， ，经纵向、横向分割后，对得到的特征子块 和 进行全局池化操作，计算公式如下：。

7.如权利要求2所述的改进GaitSet的红外步态识别方法，其特征在于，对行人目标进行匹配，在众多类别标签中获取person的目标快照，通过余弦相似度量来判断上一目标特征 和当前快照目标特征 是否一致，计算公式如下：。