1.基于生成对抗网络的人体步态图像视角转化方法，包括以下步骤：
步骤1：基于高斯背景模型对步态视频序列进行背景建模，通过背景提取得到二值化的步态前景轮廓图；对步态前景图轮廓图进行范围归一化处理，随后利用图像形态学操作对轮廓图进行进一步处理，最后对处理后且位于单位步态周期的步态轮廓图进行平均处理，得到步态图像；
步骤2：根据预设目标角度，将步态图像与目标视角输入视角转化网络，视角转化网络输出目标视角下步态图像；
所述视角转化网络为具有多个判别器的生成对抗网络，包括：图像生成器g、图像真假判别器drf、步态图像视角判别器dview、跨视角身份保持判别器dcr与同视角身份保持判别器dca；
所述图像生成器g由相互对称的cnn网络(卷积神经网络)和tcnn网络(转置卷积神经网络)组成，且cnn网络和tcnn网络中对称层短路连接；其中，cnn网络和tcnn网络均包括4层卷积层；
所述图像真假判别器drf由cnn网络和fc网络组成；其中，cnn网络包括5层卷积层，fc网络包括4层全连接层；
所述步态图像视角判别器dview由cnn网络和fc网络组成，其中，cnn网络与图像真假判别器drf中cnn网络相同，fc网络包括3层全连接层；
所述跨视角身份保持判别器dcr与同视角身份保持判别器dca结构相同、均由局部信息判别分支和全局信息判别分支构成，为了方便表述，将dcr和dca的全局信息判别分支分别令为dcrg和dcag，局部信息判别分支分别令为dcrl和dcal。其中，局部信息判别分支由cnn网络组成、包括4层卷积层；全局信息判别分支由cnn网络和fc网络组成，cnn网络包括5层卷积层，fc网络与图像真假判别器drf中fc网络结构相同。
2.按权利要求1所述基于生成对抗网络的人体步态图像视角转化方法，其特征在于，所述图像生成器g中，cnn网络和tcnn网络的每层卷积层的卷积核大小为4、步长为2；所述cnn网络中第1层卷积层的输入通道数为1，第1层～第4层卷积层的输出通道数依次为96、192、384、768；所述tcnn网络与cnn网络对称设置。
3.按权利要求1所述基于生成对抗网络的人体步态图像视角转化方法，其特征在于，所述图像真假判别器drf中，cnn网络的每层卷积层的卷积核大小为3，第1层～第4层卷积层的步长为2、第5层的卷积层的步长为1，第1层卷积层的输入通道数为1，第1层～第5层卷积层的输出通道数依次为32、64、128、256、512；fc网络的第1层全连接层的输入通道数为512，第1层～第4层全连接层的输出通道数依次为100、50、10、1。
4.按权利要求1所述基于生成对抗网络的人体步态图像视角转化方法，其特征在于，所述步态图像视角判别器dview中，fc网络的第1层全连接层的输入通道数为512，第1层～第3层全连接层的输出通道数依次为100、50、q，q表示步态图像视角总数。
5.按权利要求1所述基于生成对抗网络的人体步态图像视角转化方法，其特征在于，所述跨视角身份保持判别器dcr中，局部信息判别分支中cnn网络的每层卷积层的步长为2，第1层～第3层卷积层的卷积核大小为2、第4层卷积层的卷积核大小为1，第1层卷积层的输入通道数为2，第1层～第4层卷积层的输出通道数依次为32、64、128、1；
全局信息判别分支中cnn网络的每层卷积层的卷积核大小为3，第1层～第4层卷积层的步长为2、第五层的卷积层的步长为1，第1层卷积层的输入通道数为2，第1层～第5层卷积层的输出通道数依次为32、64、128、256、512。
6.按权利要求1所述基于生成对抗网络的人体步态图像视角转化方法，其特征在于，所述视角转化网络的训练过程如下：
s1：构建训练集，采用与步骤1相同的数据预处理得到步态图像，并按照(步态图像，视角，身份标签)构建训练样本，进而构成训练集；
s2：从训练集中随机抽取一定数量的训练样本、作为本次训练迭代过程的输入图像集合iv,i，再通过随机数的方式确定本次训练迭代过程中视角转化的目标视角vt，并从训练集中选取具有该目标视角且与集合iv,i中步态图像身份标签相对应的图像、作为本次训练迭代过程的真值图像集合
从训练集中再次抽取一定数量的训练样本，构成步态图像集合为
从集合iv,i中选取三组图像子集，分别记为iv,a、iv,p和iv,n，其中，集合iv,a和iv,p中对应步态图像应具有相同的身份标签；集合iv,a和iv,n中对应的步态图像应具有不同的身份标签；
s3：更新图像真假判别器drf的网络参数；设置损失函数lrf，采用反向传播算法和梯度下降法更新网络参数，所述损失函数lrf为：
其中，
将更新后图像真假判别器drf中cnn网络的参数共享复用于步态图像视角判别器dview中cnn网络中；
s4：更新步态图像视角判别器dview的网络参数；设置损失函数lview，采用反向传播算法和梯度下降法更新网络参数，所述损失函数lview为：
其中，lce(·)代表交叉熵损失函数，drf(x)代表以图像x作为输入时判别器dview的输出；
将更新后步态图像视角判别器dview中cnn网络的参数反向共享复用于图像真假判别器drf中cnn网络中；
s5：更新跨视角身份保持判别器dcr的网络参数；设置损失函数lcr，采用反向传播算法和梯度下降法更新网络参数，所述损失函数lcr为：
lcr＝(lcrg+lcrl)/2
其中，dcrg(x,y)表示图像对(x,y)作为输入时跨视角身份保持判别器dcr中全局信息判别分支dcrg的输出，相似地，dcrl(x,y)表示图像对(x,y)作为输入时跨视角身份保持判别器dcr中局部信息判别分支dcrl的输出；
s6：更新同视角身份保持判别器dca的网络参数；设置损失函数lca，采用反向传播算法和梯度下降法更新网络参数，所述损失函数lca为：
lca＝(lcag+lcal)/2
其中，dcag(x,y)表示图像对(x,y)作为输入时同视角身份保持判别器dca中全局信息判别分支dcag的输出，相似地，dcal(x,y)表示图像对(x,y)作为输入时同视角身份保持判别器dca中局部信息判别分支dcal的输出；
s7：更新图像生成器g的网络参数；设置损失函数lg，采用反向传播算法和梯度下降法更新网络参数，所述损失函数lg为：
其中，α、β和m为超参数，d(·,·)代表两图像之间的欧式距离；
s8：再次更新图像生成器g的网络参数θg；设置损失函数
其中，γ、η和k均为超参数，且γ＝α、η＝β、k＝m；
s9：循环重复步骤s2到s8，直到以上所有损失函数趋于稳定，完成训练。