1.一种步态识别改进方法，其特征在于，所述方法包括：构建样本集步骤：构建铁路进站环节的旅客自然步态数据集；构建基于GaitSet的改进步态识别网络模型步骤：构建基于GaitSet的改进步态识别网络模型，所述改进步态识别网络模型包括：多尺度特征融合模块和关键特征增强模块，其中，所述多尺度特征融合模块用于融合卷积神经网络的浅层细节特征信息和深层语义特征信息；所述关键特征增强模块用于增强步态信息的关键特征；步态识别模型训练步骤：利用所述旅客自然步态数据集、CASIA-B步态数据集及GREW步态数据集，训练所述改进步态识别网络模型，实现对改进步态识别网络模型识别率的验证；所述构建基于GaitSet改进的步态识别网络步骤还包括：特征获取步骤：将步态序列输入基准模型的第一层卷积神经网络与池化层，获取第一层特征；将所述第一层特征输入基准模型的第二层卷积神经网络与池化层，获取第二层特征；多尺度特征融合步骤：将所述第一层特征输入所述多尺度特征融合模块，执行下采样获得第一次采样值，与所述第二层特征进行融合，获得第一次融合特征，用于后续神经网络的输入和再学习；再融合步骤：将所述第一次融合特征输入基准模型的第三层卷积神经网络，获取第三层特征；将所述第一次融合特征输入所述多尺度特征融合模块，执行下采样获得第二次采样值，与所述第三层特征进行融合，获得第二次融合特征；关键特征增强步骤：将所述第二次融合特征执行池化操作后形成第四层特征，将所述第四层特征输入所述关键特征增强模块进行特征增强；将所述第四层特征与MGP的输出进行融合的特征输入所述关键特征增强模块进行特征增强；所述关键特征增强模块通过空间注意力机制对所述步态序列的特征细节信息进行像素级的增强，输出增强特征执行后续操作。
2.根据权利要求1所述步态识别改进方法，其特征在于，所述构建样本集步骤进一步包括：收集并制作铁路行业步态识别数据集RENG。
3.根据权利要求1所述步态识别改进方法，其特征在于，所述关键特征增强步骤进一步包括：初始化步骤：对输入的所述增强特征分别进行通道维度的最大池化和平均池化操作，分别得到大小为1×h×w的特征图，其中，1代表的是通道数，h和w为高度和宽度；通道叠加步骤：将所述1×h×w的特征图在通道维度上进行叠加，输入一个卷积网络进行融合学习，得到大小为1×h×w的特征图后，经过 激活操作，并与原特征图相乘，得到增强特征。
4.根据权利要求3所述步态识别改进方法，其特征在于，多尺度特征融合 ，其中， 为 的下一层特征， 为是卷积层。
5.一种步态识别改进系统，采用如权利要求1-4中任意一项所述步态识别改进方法，其特征在于，所述系统包括：构建样本集模块：用于构建铁路进站环节的旅客自然步态数据集；构建基于GaitSet的改进步态识别网络模型模块：用于构建基于GaitSet的改进步态识别网络模型，所述改进步态识别网络模型包括：多尺度特征融合模块和关键特征增强模块，其中，所述多尺度特征融合模块用于融合卷积神经网络的浅层细节特征信息和深层语义特征信息；所述关键特征增强模块用于增强步态信息的关键特征；步态识别模型训练模块：利用所述旅客自然步态数据集、CASIA-B步态数据集及GREW步态数据集，训练所述改进步态识别网络模型，实现对改进步态识别网络模型识别率的验证；所述构建基于GaitSet改进的步态识别网络模块还包括：特征获取模块：将步态序列输入基准模型的第一层卷积神经网络与池化层，获取第一层特征；将所述第一层特征输入基准模型的第二层卷积神经网络与池化层，获取第二层特征；多尺度特征融合模块：将所述第一层特征输入所述多尺度特征融合模块，执行下采样获得第一次采样值，与所述第二层特征进行融合，获得第一次融合特征，用于后续神经网络的输入和再学习；再融合模块：将所述第一次融合特征输入基准模型的第三层卷积神经网络，获取第三层特征；将所述第一次融合特征输入所述多尺度特征融合模块，执行下采样获得第二次采样值，与所述第三层特征进行融合，获得第二次融合特征；关键特征增强模块：将所述第二次融合特征执行池化操作后形成第四层特征，将所述第四层特征输入所述关键特征增强模块进行特征增强；将所述第四层特征与MGP的输出进行融合的特征输入所述关键特征增强模块进行特征增强；所述关键特征增强模块通过空间注意力机制对所述步态序列的特征细节信息进行像素级的增强，输出增强特征执行后续操作。
6.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述步态识别改进方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述步态识别改进方法。
