1.基于图卷积网络的步态识别方法，其特征在于，具体按照以下步骤实施：
步骤1、获取行人步态训练数据；
步骤2、对步骤1得到的训练数据进行预处理，再利用分区策略对预处理得到的图像求取图像各分区重心得到训练样本；
步骤3、搭建图卷积网络；
步骤4、设计损失函数；
步骤5、初始化神经网络参数；
步骤6、训练搭建好的神经网络，将步骤2得到的训练样本作为输入，对应的实际身份标签作为输出，成批次地输入到网络中，计算前向传播的损失，使用反向传播算法，调整各层神经元参数；
步骤7、使用训练好的神经网络进行识别，得到未知身份样本的身份信息。
2.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤1具体为：使用图像采集设备采集行人的步态特征数据，使用常用的步态识别用数据集或自行建立数据集，所述常用的步态识别用数据集包括casia-b数据集，ou-isir数据集或usf数据集。
3.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1、对步骤1得到训练数据按帧进行拆分，得到n帧对应的n个图像；
步骤2.2、利用背景减除法提取图像中的运动对象得到行人二值图，对二值图按照相同宽高比例进行裁剪，得到原数据帧数数量，宽高比相同的步态剪影；
步骤2.3、对步态剪影以嵌套的方式进行分区，并求出每个分区的重心坐标位置；
步骤2.4、将每一帧人体分区重心图中的多个分区重心点按照人体结构以边的形式进行连接得到结构图；
步骤2.5、将每一帧重心图结构图在帧间沿相同分区重心进行连接得到人体重心轨迹图。
4.根据权利要求3所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤2.3中分区包括行人整体，下半身，下半身左部，下半身右部，上本身，上半身左部和上半身右部。
5.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤3中图卷积网络结构依次为：输入层、批归一化层、九个级联的图卷积层、全局平均池化层、全连接层和softmax输出层。
6.根据权利要求5所述的基于图卷积网络的步态识别方法，其特征在于，每个所述图卷积层包括三部分：1、注意力机制层，用于衡量不同重心点的重要性；2、空间图卷积层，在空间维度上，即单帧内对每个重心点上，进行图卷积操作，卷积核大小为3，用于计算某时刻空间中包含的信息；3、时间图卷积层，在时间维度上进行图卷积操作，卷积核大小为9，用于计算重心点在时间上运动包含的信息。
7.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤4采用交叉熵损失函数，具体计算为：
其中m表示类别数量，即数据库中包含行人数目；yc为指示变量，在类别与样本类别相同时为1，否则为0；pc表示softmax层输出的属于类别c的预测概率。
8.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤5具体为：对参数epoch，batch_size，learning_rate进行设定，epoch为训练遍历所有数据的次数，设定为5-10之间的整数；batch_size为每批次训练的样本数，设定为{8，16，32，64，128}中的一个，learning_rate为学习率，初始学习率为0.01，每遍历10次数据后学习率降低10％，共遍历全部样本60次。
9.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤6具体为：将步骤2得到的训练样本作为输入，单个样本为一个三维矩阵(c,t,v)，c为关节特征也就是坐标，t＝30，v为节点数量，对应其身份标签作为输出，模型训练过程采用随机梯度下降法。
10.根据权利要求1所述的基于图卷积网络的步态识别方法，其特征在于，所述步骤7具体为：获取行人步态视频；将该步态视频进行预处理，并采用分区策略获取行人各分区重心结构轨迹图；将该轨迹图输入训练搭建好的神经网络模型中计算输出预测分类结果对应的标签。