1.算法运行效果图预览
(完整程序运行后无水印)
1.训练过程
2.样本库
3.提取的步态能量图
4.步态识别结果和样本真实标签
2.算法运行软件版本
MATLAB2022a
3.部分核心程序
（完整版代码包含详细中文注释，训练CASIA库）
```digitDatasetPath = ['步态能量图\0\'];
imds = imageDatastore(digitDatasetPath,'IncludeSubfolders', true, 'LabelSource', 'foldernames');
%划分数据为训练集合验证集，训练集中每个类别包含1张图像，验证集包含其余图像的标签
numTrainFiles = 2;%设置每个类别的训练个数
[imdsTrain, imdsValidation] = splitEachLabel(imds,0.8);
%定义卷积神经网络的基础结构
layers = [
imageInputLayer([400 120 1]);%注意，400,150为能量图的大小，不能改
............................................................
%全连接层
fullyConnectedLayer(20);
%softmax
softmaxLayer;
%输出分类结果
classificationLayer;];
%设置训练参数
options = trainingOptions('sgdm', ...
'InitialLearnRate', 0.0001, ...
'MaxEpochs', 1000, ...
'Shuffle', 'every-epoch', ...
'ValidationData', imdsValidation, ...
'ValidationFrequency', 10, ...
'Verbose', false, ...
'Plots', 'training-progress');
%使用训练集训练网络
net = trainNetwork(imdsTrain, layers, options);
save CNN.mat net
05_001m
```
4.算法理论概述
步态识别是一种生物特征识别技术，它通过个体走路的方式（如步长、步频、肢体摆动等）来辨认个人身份。基于卷积神经网络（Convolutional Neural Networks, CNN）的步态识别方法，利用深度学习的强大特征提取能力，可以从视频序列中自动学习步态的时空特征，进而实现高效的个体识别。
4.1步态识别系统框架
一个典型的基于CNN的步态识别系统包括以下几个关键步骤：
数据预处理：包括图像标准化、尺寸统一、背景消除等，以减少噪声和无关因素的干扰。
特征提取：利用CNN自动提取步态的时空特征。
模型构建：设计CNN架构，包括卷积层、池化层、全连接层及输出层等。
训练与优化：使用带标签的步态数据对模型进行训练，通过反向传播和优化算法（如Adam、SGD）调整权重。
识别测试：对新的步态样本进行预测，输出最可能的身份标签。
4.2 CNN原理及数学表述
CNN通过卷积层、池化层、激活函数等组件来学习特征。以一个简单的CNN层为例：
步态识别中的CNN模型通常包含多个卷积层和池化层，用于提取步态序列中的时空特征。每一帧步态图像经过卷积和池化后，特征逐渐抽象，最终通过全连接层映射到分类标签上。
4.3 CASIA步态数据库
CASIA步态数据库是中国科学院自动化研究所发布的权威步态数据集，包含大量个体在不同视角、不同衣着条件下的行走视频。利用此数据库进行训练和测试，要求模型具有良好的泛化能力和鲁棒性。
基于CNN的步态识别技术通过深度学习模型强大的特征学习能力，实现了对步态序列的有效分析和个体身份的准确识别。结合如CASIA这样的高质量步态数据库，该方法在实际应用中展现出优异的性能，特别是在监控、安全认证等领域有着广泛的应用前景。
