1.一种基于骨架数据生成步态剪影图的步态数据扩充方法，其特征在于，包括以下步骤：S1、采用真实剪影序列构建训练集，使用训练集预训练步态识别网络GaitSet，最大化该网络区分训练集中不同ID的能力，ID表示行人身份，一个行人对应一个ID；

S2、构建骨架生成剪影网络Ske2SilNet，对Ske2SilNet进行训练，直到达到纳什均衡，Ske2SilNet训练框架包括Ske2SilNet、鉴别器和ID特征保留模块；

S3、使用SkeS算法合成新的ID信息对应的骨架序列，并使用训练好的Ske2SilNet生成剪影序列；

所述Ske2SilNet用于将生成的骨架序列转换成剪影序列，其包括骨架点编码器、骨架图像编码器和骨架剪影解码器；

所述骨架点编码器采用图卷积网络来编码身体关键点的坐标，将骨架点编码器的输出输入到线性层中，将Nj个关键点映射到长度为176的向量，然后通过重塑操作将该向量转换为16×11的特征图；

所述骨架图像编码器采用CNN来编码骨架图像序列，输出16×11的特征图；

使用逐元素加法来聚合SkePEnc和SkeIEnc的特征图，然后将聚合后的特征图输入到骨架剪影解码器中，骨架剪影解码器由两个上采样层和多个卷积层构成，输出为剪影序列Fed(xp，xi)，表达式为：Fed(xp，xi)＝De(Esp(xp)+Esi(xi))；

其中，xi为骨架序列，即身体上不同关键点的坐标，通过Ns×2×Nj矩阵表示，Ns是骨架序列中的样本数量，Nj是关键点的数量，2表示每个关键点的二维坐标；xp为骨架图像序列；Fed(xp，xi)为生成剪影序列；De为骨架剪影解码器；Esp(xp)为骨架点编码器；Esi(xi)为骨架图像编码器；

所述鉴别器包括4层卷积层和2层全连接层，用于确保真实剪影序列和生成剪影序列的差异，即对抗性损失Ladv，训练期间的目标是使对抗性损失最小；Ladv的表达式为：Ladv＝loge D(xrs)+loge(1‑D(Fed))；

其中，Ladv为对抗性损失，D代表鉴别器，xrs是真实的剪影序列；

所述ID特征保留模块即步骤1中训练好的步态识别网络，将生成的剪影序列和真实剪影序列在批维度上进行拼接，并输入到ID特征保留模块中，通过身份保留约束Lid生成序列的ID信息，Lid的表达式为：其中，fgait(·)表示预训练的步态识别模型，K表示fgait(·)提取的特征的维度，k表示步态特征的索引；

步骤S3具体为：

首先，通过有向无环图DAG表示骨架数据，确保骨架结构内没有循环，将人体的部位分别用线段表示，每个部位由两个关节点定义；选择根关键点，将除根关键点之外的所有关键点转换为基于DAG的相对坐标；采用广度优先搜索算法，从根关键点开始，顺序计算每条线段的终点和起点的差；

其次，DAG中的每条线段都被分配一个唯一的标识符，代表骨架的不同部分；随机选择一个或多个标识符，并将不同的缩放因子分配给选择的标识符，缩放因子用于缩小或扩大每个部位对应的两个关节点之间的距离，其范围为(0.6,0.8)和(1.2，1.4)；

最后，从根关键点开始，将修改后的相对坐标转换回绝对坐标，从而产生一个新的骨架。

2.根据权利要求1所述的一种基于骨架数据生成步态剪影图的步态数据扩充方法，其特征在于，引入均方误差损失，该损失量化了输出的剪影序列与真实剪影序列之间的平均平方差，表达式为：其中，Lmse为均方误差损失；S、H和W分别表示输出的剪影序列的帧数、高度和宽度；xrs表示真实剪影序列，(s，h，w)表示序列中一个像素的索引，即序列中第s帧h行w列的像素。

3.根据权利要求1所述的一种基于骨架数据生成步态剪影图的步态数据扩充方法，其特征在于，Ske2SilNet的总体损失函数Ltotal为：Ltotal＝Lmse+Ladv+Lid。