1.一种车站智能疫情防控方法，基于车站智能疫情防控系统实现，所述的系统包括摄像头、矩阵视频控制器和服务器；所述的系统通过摄像头进行视频采集，在服务器中采用步态识别对视频目标信息初步分析，获取相关信息；矩阵视频控制器将图像形成矩阵视频帧图像，服务器再通过人脸识别对步态识别后的矩阵视频帧图像进行面部识别，进一步获取人脸特征信息，用以确认身份；通过将人脸特征信息应用到视频压缩感知的目标跟踪算法中，用以对目标信息进行跟踪，查找出视频中出现该目标的图像的帧序列位置，从而导出含有该目标以及接触目标的图像，通过反馈查找进一步确认目标信息以及接触目标信息；所述的方法，包括如下步骤：步骤一：步态识别优化算法，采取基于视频序列的步态信息作为识别的对象，对动态的视频图像序列进行帧切割得到静态的图片信息，然后使用背景减除法进行运动目标检测，得到一个只含有任务信息的图片，因为得到的二值化人物信息中还包含一些由于各种原因产生了噪声，需要经过一定的形态学处理算法除掉噪声；在特征提取这一过程中，提取了步态能量信息得到了步态能量图，以及人行走时的两腿间的不同时刻的张开角度，将两种信息在神经网络的输入层进行加权特征融合后作为网络的输入变量，同时为了降低神经网络的鲁棒性以及提升网络的识别精度，加入了GA遗传算法对网络的权值以及阈值进行优化，已达到一种更优的步态识别分类效果；

步骤二：人脸识别算法，采用双对称LeNet并行连接网络结构，同步模型采取两路并行网络，分别进行图像处理，可以独立获取高层特征向量，在输出层进行合并；采用DCT‑LBP联合处理的方法对输入图像的全局特征和局部特征分别进行提取，更好的进行特征表述，有利于提高人脸检测识别系统的性能；当图像信息经过一系列处理后到达输出层，采用Softmax回归分类对人脸图像信息与数据库中信息进行比对分类，得出正确完整的人物信息；在回归分类中加一个余弦矫正可以减少冗余，增强泛化能力减少过拟合，使得人脸识别准确率增加；

步骤三：视频压缩感知目标跟踪算法，首先利用图像尖锐化处理突出目标图像边缘纹理，再利用矩形滤波器对人脸图像归一化处理并获取特征向量；然后利用动态压缩感知对目标样本和背景样本的Haar‑like特征进行压缩处理，并利用压缩后的Haar‑like特征向量建立目标模型，并训练Adaboost算法贝叶斯级联分类器；最后利用朴素贝叶斯分类器识别目标图像和背景图像，实现人脸识别的动态跟踪；

步骤四：将步态识别算法、人脸识别算法以及视频压缩感知的目标跟踪算法融合，具体过程如下：1)通过步态识别对车站监控视频目标人物进行初次筛选，并记录保存；2)根据初次筛选后的人物图像，进行人脸识别过程，进一步确认目标信息；3)根据输出的人脸特征信息，进行目标定位过程，采用视频压缩感知的目标跟踪算法，导出含有目标信息的行程轨迹，并记录含有目标的帧序列图像，最后反馈到中央处理器中，方便查找目标人物以及与其密切接触者的信息；实现车站智能化疫情防控的目的。

2.根据权利要求1所述的一种车站智能疫情防控方法，其特征在于，所述的步骤一中，步态识别优化算法包括如下：

1)特征提取：

式中：N为所提取二值化步态序列一个周期所包含的帧数；(x，y)分别表示图像中的坐标值；B(x，y)为图像在第t帧中(x，y)点的像素值；G(x，y)为计算所得到的能量图；

式中：(Xc，Yc)为计算后获取的质心坐标；N为轮廓像素的像素点个数；(x，y)为坐标值；

θi为第i个像素点夹角θ的计算结果；

2)GA‑BP分类识别：

利用遗传算法来训练网络，解决神经网络的学习问题，将阈值搜索范围缩小；再利用神经网络进行精确求解，达到全局寻优和快速高效的目的；神经网络识别率作为目的参数，并通过遗传算法来优化；利用个体代表网络的权值和阈值，个体初始化的BP神经网络的预测误差作为该个体的适应值，通过选择、交叉、变异操作来寻找最优个体。

3.根据权利要求1所述的一种车站智能疫情防控方法，其特征在于，所述的步骤二的人脸识别算法包括如下：

1)DCT‑LBP联合处理化

S＝a·DCT+b·LBP       (4)

式中：a为DCT的加权系数，b为LBP的加权系数，且a+b＝1；S为加权后的图像；

2)卷积运算

式中：x表示二维输入向量，其维度为(m,n)；y表示m×n的大小特征图大小；f表示激活函数；w表示卷积核，大小为J×I；b表示偏置；

3)池化采样

式中： 用来表示第l个池化层的第j个特征图；f表示激活函数； 分别表示特征图 的乘性偏置和加性偏置；

4)全连接

式中：f表示激活函数；n为l‑1层的神经元个数；l表示当前层数； 表示第l‑1层第j个单元与第l层第i个单元之间的连接参数； 是第l层第i个单元的偏置项， 表示第l层第i个单元的输出值；

5)Softmax回归分类

在网络训练中，为了使测试时的余弦相似性评判标准相同，将样本相似性的欧式距离转化为余弦距离，权重与特征归一处理的值S，使其自动学习，在超球面上差异类特征分离取得较好效果；此时的损失函数联合表达式为：式中：λ为归一化后的联合表达式的平衡系数。

4.根据权利要求1所述的一种车站智能疫情防控方法，其特征在于，所述的步骤三的视频压缩感知目标跟踪算法包括如下：动态压缩感知所处理的动态信号具有时变性，设Xt为经过稀疏矩阵投影的稀疏信号，则动态压缩感知模型的状态空间方程的表现形式为：Xt＝ft(Xt‑1)+vt (9)

Yt＝AtXt+ωt (10)

式中：Yt表示为观测方程；ft表示为状态空间方程中的状态转移函数；vt，ωt分别表示为过程噪声和观测噪声；

根据动态视频压缩感知理论的思想，通过少量的采样观测信号来表示原始信号所包含的信息，进而对信号降维；利用随机测量矩阵P对高维原始信号的特征空间向量X向低维空间进行压缩投影，获取低维压缩特征空间向量；

Haar‑like特征计算即通过扫描大量的样本窗口，计算所有样本窗口的子图像特征值，其特征值为所检测图像中的矩形灰度像素差，但该过程会产生大量的运算；与此同时，为了保持图像尺度不变性，会进一步增加计算量，使得人脸检测速度及分类器训练的效率降低；

其Haar‑like特征值数学表达式为：

feature＝∑i∈(1，2，...N)ωiRectSurn(γi)   (11)式中：ωi表示权值矩阵；N表示矩形特征值的个数；RectSum(γi)表示样本图像的所有的矩形特征值之和；

为了在压缩投影中提高特征向量值的运算速率，采用积分图算法可以快速计算出矩形区域之和及其平方和，降低了运算量，提高了运算速率；其积分图运算公式为：J(m，n)＝∑m′＜m，n′＜nH(m′，n′)      (12)式中：J(m，n)表示图像在像素为(m，n)处的积分值；H(m′，n′)表示图像在像素为(m′，n′)处的灰度值；

朴素贝叶斯分类器模型的数学表达式为：

式中：Ci表示为数据属性类别；XA表示为测试样本；

Adaboost算法中，弱分类器表达式为：

式中：h(x，f，p，θ)表示为弱分类器；x表示为子窗口图像；f(x)表示为子窗口的特征函数；θ表示为f(x)函数的阙值；其分类过程，就是得出该函数阙值的过程。