1.一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，包括以下步骤：步骤1：在多个域中分别采集独立的数据集；

步骤2：构建渐进式子域挖掘步态识别框架，并嵌入步态识别网络模型，从而构成一个步态识别模型，该步态识别模型由一个特征提取器fθ(·)和分类器gΦ(·)组成；

步骤3：对步态识别模型进行基础训练，使其具有基本的步态特征提取能力；

每次基础训练过程为：每个步态序列随机抽取30帧，按照时间顺序输入步态识别模型，使用三元组损失Ltr约束fθ(·)，交叉熵损失Lce约束gΦ(·)，使用Ltr与Lce的和作为基础训练的总损失Lbase，如下式所示：Lbase＝Ltr+Lce；

Ltr的表达式为：

其中，NB为一个迷你批中的样本数，fi代表迷你批中的第i个样本由fθ(·)提取的特征，a p nfi ，fi ，fi分别代表锚点的特征，与锚点标签相同的另一样本的特征，与锚点标签不同的另一样本的特征，d(·，·)代表两个特征之间的欧氏距离，m是一个人工指定的边距；

Lce的表达式为：

其中，yi为迷你批中第i个样本的One‑Hot标签；

使用Adam优化器训练M次，得到最后一次的步态识别模型参数Lbase；

步骤4、设计子域信息挖掘模块SIM，SIM使用fθ(·)提取源域所有样本的特征，并计算每个特征之间的欧式距离，其次使用无监督聚类方法DBSCAN对提取的特征进行聚类，根据聚类结果将源域划分为多个子域DSubs和异常值O；

源域为训练集Ds，目标域为测试集Dt，DBSCAN算法包括两个关键参数：最少样本数和最大邻域，最少样本数设置为X，将距离d按从小到大的顺序排序，取前P个距离求平均值θ为最大邻域，如下式所示：步骤5：对多个子域DSubs进行域泛化训练；

每次域泛化训练过程包括两步：

第一步是首先在整个源域Ds中采样，使用Lbase更新步态识别模型，其次在划分出的子域DSubs中进行均匀采样；

第二步是使用域信息缓解损失LDIM和域同质化损失LDH共同约束fθ(·)，使fθ(·)提取域不变特征，如下式所示：LDG＝LDIM+LDH；

LDIM的表达式为：

其中，K表示子域的个数，NBk表示第k个子域在迷你批中的样本数，fdk表示第k个子域的域特征；

使用整个子域所有特征的平均值来估算域特征，如下式所示：其中，Nk表示第k个子域的所有样本数；

LDH的表达式为：

其中， 分别代表锚点的域间负样本的特征、锚点的域内负样本的特征；

使用SGD优化器训练N次，并且每a次训练执行一次步骤S4，更新步骤5中子域的划分，保留最后一次训练的步态识别模型参数LDG；

步骤6：在多个目标域Dt上测试训练好的模型参数，评估步态识别模型最终的泛化性能。

2.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤1具体包括：在R个不同域中录制步态视频，使用预处理算法提取步态轮廓图，并统一图像大小为64×44，由此得到多个数据集：D＝{D1，D2，...，DR}，每个数据集包括多个样本，一个样本为一个步态序列，其中一个数据集作为训练集Ds，其余数据集作为测试集Dt。

3.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤2中，步态识别网络模型为GaitSet、GaitPart或GaitGL模型。