1.一种基于步态数据的身份识别方法，包括训练阶段和识别阶段，其特征在于：所述的训练阶段包括如下步骤：

步骤一：提取训练样本的步态轮廓曲线：首先对包含训练样本和待识别样本的步态视频序列进行预处理，根据目标的色彩和运动特性，分割出人体轮廓区域；然后采用滤波和生态学方法对轮廓进行完善，最后，进行边缘检测，获得完整的步态轮廓曲线；

步骤二：生成高维步态特征矩阵：利用逐行扫描法对步骤一中提取的步态轮廓曲线进行逐行扫描，生成高维步态特征矩阵，该矩阵中的元素取值规则为：按照从左到右的方向，扫描线与轮廓线无交点，取值0；当前交点次数为奇数，取值为1；否则，取值为2；

步骤三：利用改进的光滑自编码器对步骤二生成的高维步态特征矩阵进行降维，包括两个阶段：(1)初始化训练阶段：通过加入随机噪声提高自编码器的鲁棒性和泛化能力，光滑自编码器的各层神经元输出计算方式如下：其中，H1、Hn-1、Hn和HN分别为第1个、第n-1个、第n个和第N个隐藏层的输出向量，2≤n≤N，N为自编码器网络中隐藏层的个数，O为输出层输出向量，S1、Sn和SO是激活函数，W1、Wn和WO分别是S1、Sn和SO中的权值矩阵，b1、bn和bO分别是S1、Sn和SO中的偏置向量，是在原始输入x中加入随机噪声之后的受损输入；

(2)有监督的参数优化阶段：选用随机梯度下降算法，对模型参数进行整体调优，具体的优化的目标函数定义如下：其中，L代表总体代价，M是训练样本个数，Mi是样本i的近邻样本个数，w是光滑核函数，xi代表第i个输入样本，xj代表第j个近邻样本，O(xj)和O(xi)分别表示近邻样本xj和第i个输入样本xi的对应输出；当总体代价L取最小值时，实现对模型参数的调优；

所述的识别阶段包括如下步骤：

步骤一至步骤三与所述的训练阶段相同；

步骤四：采用最近邻法进行用户身份识别，具体如下：

(1)分别将来自训练阶段步骤三所得的训练样本的低维步态特征矩阵，和识别阶段步骤三所得的待识别样本的低维步态特征矩阵按行展开成一维列向量；

(2)计算待识别样本到所有训练样本的欧氏距离，并排序；

(3)选出训练样本集中距离待识别样本最近的K个训练集数据，K是参与最终决策过程的最近邻样本个数，K＝1～N，N为训练样本的总数量，K根据经验取值；

(4)统计出K个训练样本出现最多的类型，即判定待识别步态样本归属此类型。

2.根据权利要求1所述的基于步态数据的身份识别方法，所述的步骤三中采用的光滑核函数的公式如下：其中R为核半径，x为待处理的向量，||x||表示x的范数。

3.根据权利要求1或2所述的基于步态数据的身份识别方法，所述的激活函数S1、Sn采用公式(4)的函数，SO采用公式(5)的函数：