1.算法运行效果图预览
(完整程序运行后无水印)
由于网络训练具有一定的随机性，当训练性能略微差时，最后的识别率如下：
2.算法运行软件版本
matlab2022a/matlab2024b
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
```%% 冻结初始图层
layers = lgraph.Layers;
connections = lgraph.Connections;
%% 训练网络
pixelRange = [-30 30];
imageAugmenter = imageDataAugmenter( ...
'RandXReflection',true, ...
'RandXTranslation',pixelRange, ...
'RandYTranslation',pixelRange);
augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain, ...
'DataAugmentation',imageAugmenter);
augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);
rng(1);
options = trainingOptions('sgdm', ...
'InitialLearnRate', 0.003, ...
'MaxEpochs', 1000, ...
'Shuffle', 'every-epoch', ...
'ValidationData', imdsValidation, ...
'ValidationFrequency', 10, ...
'Verbose', false, ...
'Plots', 'training-progress');
net = trainNetwork(augimdsTrain,lgraph,options);
%对验证图像进行分类并计算精度
YPred = classify(net, imdsValidation);
YValidation = imdsValidation.Labels;
accuracy = 100*sum(YPred == YValidation) / numel(YValidation)
save gnat.mat net
```
4.算法理论概述
步态识别作为生物特征识别领域的重要研究方向，具有非接触、远距离识别等优势，在智能安防、身份验证等诸多领域展现出巨大的应用潜力。CASI库是步态识别研究中常用的大型数据库，为算法的训练和评估提供了丰富的数据资源。GoogleNet深度学习网络凭借其独特的 Inception 模块和高效的网络结构，在图像分类等任务中取得了优异的成绩。GEI（Gait Energy Image）步态能量图则是一种能够有效表征步态特征的方法，通过对多帧步态图像的能量信息进行整合，突出了步态的关键特征。将GoogleNet深度学习网络与GEI步态能量提取相结合的步态识别算法，充分利用了两者的优势，有望实现高精度的步态识别。
4.1 GoogleNet深度学习网络原理
GoogleNet的核心创新在于Inception模块，其设计旨在解决传统卷积神经网络（CNN）中卷积核大小选择的困境。在传统CNN中，选择合适的卷积核大小是一个关键问题。较小的卷积核（如 1×1）可以捕捉局部细节，但感受野较小；较大的卷积核（如 3×3、5×5）能够获取更大范围的信息，但计算量较大，且容易导致过拟合。Inception 模块通过并行使用不同大小的卷积核（1×1、3×3、5×5）以及池化操作，有效地融合了不同尺度的特征信息。
GoogleNet网络由多个Inception模块堆叠而成，同时还包含了一些卷积层、池化层和全连接层。GoogleNet通过引入多个Inception模块，实现了对图像特征的多层次、多尺度提取。同时，为了缓解梯度消失问题，GoogleNet在网络中添加了两个辅助分类器。辅助分类器位于网络的中间层，在训练过程中，它们可以为网络提供额外的监督信号，帮助模型更好地收敛。
4.2 GEI步态能量提取原理
GEI的计算是将步态周期内的多帧归一化后的灰度图像进行累加平均。假设经过预处理后的步态图像序列为:
GEI将步态周期内的动态信息转化为静态的能量分布图像，突出了步态的稳定特征，减少了个体在不同时刻行走姿态的差异对识别结果的影响。例如，一个人在不同时间行走时，手臂摆动幅度、脚步抬起高度等可能会有所不同，但这些差异在GEI中会被平均化，使得GEI更能反映出个体的本质步态特征。
