CN116884045A - 身份识别方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种身份识别方法、装置、计算机设备和存储介质。该方法涉及人工智能技术，可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景，包括：获取针对待识别用户的目标部位得到的生物部位图像；按照与目标部位的特征型态类型相适配的图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征；图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；特征提取覆盖像素，是每次特征提取时所针对的像素；基于像素各自的型态特征得到待识别用户的生物部位特征；将生物部位特征与注册用户的注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果。采用本方法能够提高身份识别的准确性。

Description

身份识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种身份识别方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着计算机技术的发展，日趋成熟的身份识别技术在商务合作、消费支付、社交媒体、安保等各领域中得到了广泛的应用。其中，利用人固有的生物特征，如手形、指纹、脸形、视网膜、耳廓等局部部位的生物特征进行身份识别，已经成为身份识别技术的发展趋势。

目前，基于局部部位的生物特征进行身份识别的技术中，用户通过如手形、人脸、指纹、掌纹等生物特征进行身份识别时，一般采集局部部位的图像，从采集的部位图像中提取生物特征进行身份识别，但目前提取生物特征的准确性较低，导致身份识别的准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高身份识别准确性的身份识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种身份识别方法，包括：

获取针对待识别用户的目标部位得到的生物部位图像；

按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征；图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；特征提取覆盖像素，是每次特征提取时所针对的像素；

基于各个像素各自的型态特征得到待识别用户的生物部位特征；

将生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果；注册部位特征，是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。

第二方面，本申请还提供了一种身份识别装置，包括：

部位图像获取模块，用于获取针对待识别用户的目标部位得到的生物部位图像；

型态特征提取模块，用于按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征；图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；特征提取覆盖像素，是每次特征提取时所针对的像素；

生物部位特征获得模块，用于基于各个像素各自的型态特征得到待识别用户的生物部位特征；

特征匹配模块，用于将生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果；注册部位特征，是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。

第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上身份识别方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上身份识别方法的步骤。

第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上身份识别方法的步骤。

上述身份识别方法、装置、计算机设备、存储介质和计算机程序产品，获取针对待识别用户的目标部位得到的生物部位图像，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，各个像素中每次特征提取时所针对的像素各自的分布位置组合后符合图像特征型态，基于各个像素各自的型态特征得到待识别用户的生物部位特征，将生物部位特征与注册用户的注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果。在身份识别过程中，各个像素各自的型态特征是按照目标部位的特征型态类型相适配的至少一种图像特征型态提取得到的，增强了对目标部位特征表达的针对性，能够准确获得目标部位的生物部位特征，从而提高了基于目标部位的生物部位特征进行身份识别的准确性。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中身份识别方法的应用环境图；

图2为一个实施例中身份识别方法的流程示意图；

图3为一个实施例中掌纹识别的应用示意图；

图4为一个实施例中环型特征提取单元的示意图；

图5为一个实施例中线型特征提取单元的示意图；

图6为一个实施例中环型卷积核的示意图；

图7为一个实施例中线型卷积核的示意图；

图8为一个实施例中确定感兴趣区域的流程示意图；

图9为一个实施例中掌纹识别方法的流程示意图；

图10为一个实施例中确定感兴趣区域的示意图；

图11为一个实施例中9*9线型卷积核的示意图；

图12为一个实施例中16*16线型卷积核的示意图；

图13为一个实施例中身份识别装置的结构框图；

图14为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的身份识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以单独设置，也可以集成在服务器104上，也可以放在云上或其他服务器上。终端102可以针对待识别用户的目标部位进行图像采集，得到目标部位的生物部位图像，具体终端102可以响应于身份识别触发事件，针对待识别用户的目标部位采集得到生物部位图像，如终端102可以采集得到待识别用户的手掌部位图像、手指部位图像等生物部位图像。终端102将采集的生物部位图像发送至服务器104，以由服务器104按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，各个像素中每次特征提取时所针对的像素各自的分布位置组合后符合图像特征型态，服务器104基于各个像素各自的型态特征得到待识别用户的生物部位特征，将生物部位特征与注册用户的注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果。服务器104可以将针对待识别用户的身份识别结果返回至终端102，以便终端102基于身份识别结果进行处理，如可以针对待识别用户解除门禁。

此外，服务器104也可以直接将特征匹配结果返回至终端102，以由终端102根据服务器104返回的特征匹配结果确定针对目标用户的身份识别结果，从而实现对目标用户的身份识别。在其他可选应用中，身份识别的处理也可以由终端102单独实现，即由终端102按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，终端102基于各个像素各自的型态特征得到待识别用户的生物部位特征，将生物部位特征与注册用户的注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。终端102可以配置有针对用户的目标部位进行部位图像采集的传感器设备，以实现针对目标部位的生物特征采集。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，也可基于云服务器实现。

本申请实施例提供的身份识别方法可以基于人工智能技术实现。人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

计算机视觉技术(Computer Vision, CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟随和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请实施例提供的方案涉及人工智能的计算机视觉技术、机器学习等技术，如可以基于计算机视觉技术进行身份识别，基于机器学习的模型进行身份识别等，具体通过如下实施例进行说明。

在一个实施例中，如图2所示，提供了一种身份识别方法，该方法由计算机设备执行，具体可以由终端或服务器等计算机设备单独执行，也可以由终端和服务器共同执行，在本申请实施例中，以该方法应用于图1中的服务器为例进行说明，包括以下步骤202至步骤208。其中：

步骤202，获取针对待识别用户的目标部位得到的生物部位图像。

其中，身份识别是识别用户真实身份与其所声称的身份是否相符的验证过程，随着身份识别技术的发展，基于生物特征的身份识别方式得到广泛的应用。身份识别处理能够应用于各种场景中，可以基于身份识别触发事件触发，身份识别触发事件指触发进行身份识别的事件，具体可以包括但不限于包括触发身份识别的操作、指令等。例如，在门禁系统场景中，当用户需要通过门禁时，可以触发身份识别的事件以针对用户进行身份识别处理；又如，用户在支付终端进行支付时，可以触发身份识别的事件。如图3所示，目标部位可以是手掌，终端可以针对待识别用户的手掌进行图像采集，得到生物部位图像，生物部位图像具体为手掌图像，基于手掌图像可以进行身份识别处理。此外，身份识别还可以应用于防沉迷系统场景中，如在网络游戏防沉迷系统中，需要对未成年人在线游戏时间予以限制，则可以在触发防沉迷时，如游戏用户在线游戏的累计时长达到预设时长阈值时，可以触发身份识别事件，以对游戏用户进行身份识别，通过身份识别确定游戏用户是否为成年人，或者是否为游戏账户本人，从而实现对未成年人在线游戏时间的限制。

身份识别处理基于采集的生物特征实现，生物特征为用户可测量的身体部位的部位特征，例如手形、指纹、脸形、虹膜、视网膜、手掌等各种类型的生物特征。通过用户可测量的身体部位的生物特征进行身份识别处理时，需要针对用户的身体部位进行生物数据采集，并针对采集的生物数据进行生物特征提取，从而基于提取获得的生物特征针对用户进行身份识别。例如，若基于指纹识别进行身份识别时，需要针对用户拇指进行指纹数据采集，并基于采集的指纹数据，如指纹图像对用户进行身份识别；又如，若基于手掌部位进行身份识别，则需要针对用户的手掌进行手掌数据采集，并基于采集的手掌数据对用户进行身份识别。

待识别用户指需要进行身份识别的用户，如可以是触发身份识别事件的用户。例如，用户在通过门禁系统时，用户可以进入门禁系统的数据采集区域，在数据采集区域中，门禁系统检测到有用户存在时，表明需要进行身份识别，则触发身份识别，门禁系统采集在数据采集区域中的待识别用户的生物数据，如采集待识别用户的人脸数据、手指数据或手掌数据等各种生物数据。目标部位是需要针对采集生物数据所对应的人体部位，目标部位与身份识别所涉及的生物数据或生物特征相关。例如，身份识别为基于人脸的身份识别，则对应的目标部位为需要进行身份识别的待识别用户的人脸部位，而采集的生物数据是人脸数据，具体可以是人脸图像，身份识别的生物特征是人脸特征。又如，身份识别为基于手掌的身份识别，则对应的目标部位为待识别用户的手掌部位，而采集的生物数据是手掌数据，具体可以是手掌图像，身份识别的生物特征是手掌特征。生物部位图像是针对目标部位采集的图像，生物部位图像中携带有相应目标部位的生物特征，如目标部位是人脸部位时，生物部位图像可以是人脸图像；目标部位是手指时，生物部位图像可以为手指图像；目标部位是手掌时，生物部位图像可以是手掌图像。

具体地，服务器可以获取生物部位图像，生物部位图像是针对待识别用户的目标部位采集得到的，不同的目标部位可以针对采集得到携带不同生物特征的生物部位图像。生物部位图像具体可以由终端针对待识别用户的目标部位进行图像采集，并将采集得到的生物部位图像发送到服务器。

步骤204，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征；图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；特征提取覆盖像素，是每次特征提取时所针对的像素。

其中，特征型态类型是指目标部位的生物特征相应的表现形态，对于不同的目标部位，生物特征信息体现的表现形态不同。如对于手指，主要通过手指的纹路体现生物特征信息，则特征型态类型可以是手指末端指腹上由凹凸的皮肤所形成的纹路类型，具体可以包括斗型（whorl）、弓型（arch）和箕型（loop）等型态类型。又如对于手掌，可以通过手掌的掌纹线或掌静脉线体现生物特征信息，则对应的特征型态类型可以是手掌掌纹或掌静脉的纹线类型，具体可以是线型的型态类型。

图像特征型态是指针对目标部位的生物部位图像进行特征提取时所采取的特征型态，图像特征型态与目标部位的特征型态类型相适配，不同种类的图像特征型态可以对应于不同的特征提取方式，从而可以利用与目标部位的特征型态类型相适配的特征提取方式针对进行特征提取，能够提升特征提取效果。图像特征型态是每次特征提取时所针对的像素各自的分布位置组合后所符合的型态，具体在每次针对生物部位图像中的像素进行特征提取时，将所针对的像素，即将特征提取覆盖像素在生物部位图像中各自的分布位置进行组合后，得到的型态符合图像特征型态。图像特征型态可以基于特征提取单元实现，如目标部位是手指时，特征型态类型可以包括螺旋型型态，则图像特征型态也可以是螺旋型，具体可以通过螺旋型的特征提取单元进行特征提取，即每次进行特征提取时，所针对的特征提取覆盖像素在生物部位图像中各自的分布位置组合的型态为螺旋型型态。图像特征型态可以包括至少一种，从而可以针对生物部位图像按照一种或者多种图像特征型态进行特征提取，得到各个像素在不同图像特征型态下各自的型态特征。

在具体应用中，图像特征型态可以通过相应的特征提取单元实现，即通过形状与图像特征型态相匹配的特征提取单元进行特征提取，得到各个像素各自的型态特征。如图4所示，图像特征型态为环型型态，则可以基于环型的特征提取单元1和特征提取单元2针对生物部位图像进行特征提取，特征提取单元1和特征提取单元2可以具有不同的尺寸，即在针对生物部位图像进行特征提取时，只会针对环型的特征提取单元所覆盖到的环型区域内的像素进行特征提取。如图5所示，图像特征型态为线型型态时，可以基于线型的特征提取单元针对生物部位图像进行特征提取，如可以通过水平方向的特征提取单元A针对生物部位图像进行特征提取。将水平方向的特征提取单元A进行旋转，根据旋转角度的大小，可以获得不同方向的特征提取单元B、特征提取单元C和特征提取单元D，从而可以形成多种方向的特征提取单元进行特征提取。

型态特征是按照图像特征型态针对生物部位图像进行特征提取得到的特征提取结果，型态特征与像素对应，即针对生物部位图像中各个像素可以分别提取得到各自的型态特征。对于生物部位图像中的像素，每个像素在每种图像特征型态可以提取得到对应的型态特征，如通过三种图像特征型态针对生物部位图像进行特征提取，则各像素可以分别提取到与三种图像特征型分别一一对应的型态特征，即每个像素可以得到三个型态特征。

具体地，对于生物部位图像，服务器可以确定至少一种图像特征型态，并基于至少一种图像特征型态针对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。在按照图像特征型态针对生物部位图像进行特征提取时，每次特征提取时所针对的像素，即特征提取覆盖像素各自的分布位置组合后可以形成相应的图像特征型态。其中，至少一种图像特征型态与目标部位的特征型态类型相适配，服务器可以确定目标部位的特征型态类型，并根据特征型态类型确定相适配的至少一种图像特征型态。在具体实现时，服务器确定目标部位的特征型态类型后，若特征型态类型包括多种，则服务器可以从多种特征型态类型中筛选出至少一种特征型态类型，如可以筛选出频率最高的至少一种特征型态类型，并确定对应相适配的至少一种图像特征型态；服务器也可以直接根据多种特征型态类型分别确定各自相适配的图像特征型态。

在一示例性的应用中，图像特征型态可以基于特征提取单元实现，特征提取单元具体可以基于卷积核实现，即通过与目标部位的特征型态类型相适配的至少一种卷积核，针对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。例如，目标部位是手掌时，特征型态类型可以为线型类型，则可以确定至少一种线型卷积核，每种线型卷积核可以具有不同的方向，从而可以基于至少一种方向的线型卷积核针对手掌图像进行特征提取，可以有效提取出手掌图像中的掌纹线特征。

如图6所示，在16*16尺度的卷积核中，通过将填充斜线的卷积核单位设置为有效，如卷积权重可以设置为1，而将未填充斜线的卷积核单位设置为无效，如卷积权重可以设置为0，从而可以形成环型卷积核，从而可以实现按照环型的图像特征型态进行特征提取。如图7所示，在16*16尺度的卷积核中，通过将填充斜线的卷积核单位设置为有效，将未填充斜线的卷积核单位设置为无效，可以形成水平方向的线型卷积核，基于该水平方向的线型卷积核针对生物部位图像进行特征提取，可以得到水平方向线型的型态特征。

步骤206，基于各个像素各自的型态特征得到待识别用户的生物部位特征。

其中，生物部位特征用于表征待识别用户的目标部位的生物特征，不同用户的目标部位可以对应于不同的生物部位特征，从而基于生物部位特征可以针对用户进行身份识别处理。

具体地，对于生物部位图像中各个像素各自的型态特征，服务器可以基于各个像素各自的型态特征，确定待识别用户的生物部位特征。例如，在每个像素型态特征数量为1个时，服务器可以直接将各个像素各自的型态特征进行拼接，得到生物部位图像的型态特征，并基于生物部位图像的型态特征得到待识别用户的生物部位特征。如服务器可以直接将生物部位图像的型态特征作为待识别用户的生物部位特征，还可以针对生物部位图像的型态特征进行进一步地特征提取，具体可以通过预先训练的特征提取模型对生物部位图像的型态特征进行进一步地特征提取，得到待识别用户的生物部位特征。此外，在每个像素型态特征数量包括至少2个时，表明图像特征型态至少为两种，对于每个像素，服务器可以将每个像素各自的多个型态特征进行融合后，将融合后的型态特征再进行拼接，得到生物部位图像的型态特征，并基于物部位图像的型态特征得到待识别用户的生物部位特征。

步骤208，将生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果；注册部位特征，是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。

其中，注册部位特征是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征，注册用户的注册部位特征可以作为身份识别的基准特征，将待识别用户的生物部位特征与注册部位特征进行匹配，可以基于特征匹配结果确定待识别用户的身份识别结果，如确定待识别用户是否属于注册用户，若属于注册用户，还可以进一步确定待识别用户具体的用户标识。

具体地，服务器可以基于待识别用户的生物部位特征进行身份识别，具体可以获取注册用户预先进行身份注册得到的注册部位特征，服务器将生物部位特征与各注册部位特征分别进行特征匹配，得到各特征匹配结果。服务器基于各特征匹配结果确定待识别用户的身份识别结果，具体可以基于各特征匹配结果确定待识别用户是否属于注册用户，在待识别用户属于注册用户时还可以进一步确定待识别用户的用户身份信息。在具体应用时，用户可以预先利用目标部位所对应的生物部位图像进行身份注册，具体可以基于目标部位所对应的生物部位图像提取生物部位特征，并将提取得到的生物部位特征与用户标识进行绑定，从而实现用户的身份注册，并根据注册用户进行身份注册时的生物部位特征得到注册部位特征，以将各个注册用户各自的注册部位特征作为基准特征进行身份识别。

上述身份识别方法中，获取针对待识别用户的目标部位得到的生物部位图像，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，各个像素中每次特征提取时所针对的像素各自的分布位置组合后符合图像特征型态，基于各个像素各自的型态特征得到待识别用户的生物部位特征，将生物部位特征与注册用户的注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果。在身份识别过程中，各个像素各自的型态特征是按照目标部位的特征型态类型相适配的至少一种图像特征型态提取得到的，增强了对目标部位特征表达的针对性，能够准确获得目标部位的生物部位特征，从而提高了基于目标部位的生物部位特征进行身份识别的准确性。

在一个示例性的实施例中，目标部位为手掌，图像特征型态为线型型态；按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，包括：对生物部位图像按照至少一种方向的线型型态，提取得到各个像素各自的型态特征。

其中，目标部位是手掌，目标部位对应的生物部位图像是手掌图像，手掌的特征型态类型包括掌纹或掌静脉的特征形态，具体可以是线型型态。掌纹是指手指末端到手腕部分手掌的纹理信息，其包括可以用来进行身份识别的主线、皱纹、细小的纹理、脊末梢、分叉点等各种掌纹特征。掌纹特征指手掌的纹理信息反映的特征，可以通过对手掌进行图像拍摄，从手掌图像中提取得到。不同用户一般对应于不同的掌纹特征，即不同用户的手掌具有不同的纹理特征，基于掌纹特征可以实现对不同用户的身份识别处理。掌静脉是指手掌的静脉信息，用于反映人体手掌中静脉线信息，有活体辨识能力，掌静脉图像可以通过红外相机拍摄得到。掌静脉特征为基于掌静脉分析得到的手掌部位的静脉特征，不同用户一般对应于不同的掌静脉特征，即不同用户的手掌具有不同的静脉特征，基于掌静脉特征也可以实现对不同用户的身份识别处理。

手掌的掌纹或掌静脉的生物特征信息一般由掌纹线或静脉线体现，手掌的特征型态类型为线型型态，则与特征型态类型相适配的图像特征型态也为线型型态。对于线型型态的特征提取，可以具有不同的方向，从而可以划分出不同种类的线型型态。例如，线型型态可以包括水平方向、垂直方向以及与水平方向形成一定夹角的各种方向，不同方向的线型型态可以作为不同种类的线型型态，从而可以按照不同方向的线型型态进行特征提取。

示例性地，对于手掌图像，服务器可以确定至少一种方向的线型型态，线型型态是与手掌的特征型态类型相适配的，服务器可以按照确定的至少一种方向的线型型态针对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。例如，服务器可以确定每种方向的线型型态对应的线型特征提取单元，并基于线型特征提取单元对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。如图5所示，服务器可以确定采用特征提取单元A、特征提取单元B、特征提取单元C和特征提取单元D中的一种，针对生物部位图像进行特征提取。

本实施例中，对于手掌的生物部位图像，手掌的特征型态类型为线型型态，服务器按照至少一种方向的线型型态对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征，从而可以按照至少一种方向的线型型态对手掌图像进行特征提取，增强了对手掌特征表达的针对性，能够准确获得手掌特征，从而提高了基于手掌特征进行身份识别的准确性。

在一个示例性的实施例中，对生物部位图像按照至少一种方向的线型型态，提取得到各个像素各自的型态特征，包括：对生物部位图像按照至少两种方向的线型型态，分别提取得到各个像素与至少两种方向的线型型态各自对应的方向型态特征；针对各个像素中的每个像素，将所针对像素与至少两种方向的线型型态分别对应的方向型态特征融合，得到所针对像素的方向融合特征；根据各个像素各自的方向融合特征得到各自的型态特征。

其中，不同方向的线型型态对应于不同的线型型态种类，可以分别对应于不同的特征提取方式。在通过至少两种图像特征型态针对生物部位图像进行特征提取时，每个像素会得到至少两种图像特征型态分别对应的方向型态特征。例如，按照水平方向和垂直方向的线型型态对生物部位图像进行特征提取时，生物部位图像中每个像素均可以得到与水平方向线型型态对应的方向融合特征，以及与垂直方向线型型态对应的方向融合特征。方向融合特征是将同一像素各个方线型型态对应的方向型态特征融合后得到的特征，具体可以按照加权融合方式进行融合，基于方向融合特征可以得到相应像素的型态特征。

具体地，对手掌图像，服务器可以确定出至少两种方向的线型型态，按照该至少两种方向的线型型态针对生物部位图像分别进行特征提取，得到生物部位图像中各个像素各自对应的方向型态特征，每个像素均包括与至少两种方向的线型型态中每种线型型态分别对应的方向型态特征。例如，当线型型态包括5个方向时，按照5个方向的线型型态对生物部位图像进行特征提取后，对于生物部位图像中的每个像素，如对于像素A，像素A包括每个方向的线型型态对应的方向型态特征，即像素A包括5个方向型态特征。在具体实现时，服务器可以确定每种方向的线型型态对应的线型特征提取单元，并基于线型特征提取单元对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。如图5所示，服务器可以确定采用特征提取单元A、特征提取单元B、特征提取单元C和特征提取单元D中的至少两种，针对生物部位图像进行特征提取。

对于生物部位图像中提取得到方向型态特征的每个像素，服务器将所针对像素的各个方向型态特征融合，得到该像素的方向融合特征，在遍历各个像素后，得到各个像素各自的方向融合特征。在具体应用中，针对每个像素，服务器可以将所针对像素的各个方向型态特征进行平均融合，也可以进行加权融合，得到该像素的方向融合特征。服务器可以基于各个像素各自的方向融合特征，得到各个像素各自的型态特征。具体服务器可以直接将各个像素各自的方向融合特征，作为各自的型态特征；服务器也可以针对各个像素各自的方向融合特征分别进行进一步地特征映射处理，得到各个像素各自的型态特征。

本实施例中，对于手掌的生物部位图像，手掌的特征型态类型为线型型态，服务器按照至少两种方向的线型型态对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的方向型态特征，通过将每个像素各自的方向型态特征进行融合得到方向融合特征，并根据各个像素各自的方向融合特征得到各自的型态特征，从而可以按照多种方向的线型型态对手掌图像进行特征提取，融合各种方向的线型型态对应的提取结果，能够准确获得手掌特征，从而提高了基于手掌特征进行身份识别的准确性。

在一个示例性的实施例中，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，包括：确定在至少一种图像特征尺度下，与目标部位的特征型态类型相适配的至少一种图像特征型态；按照至少一种图像特征尺度下的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征。

其中，图像特征尺度表征每次特征提取时覆盖的图像像素范围，不同图像特征尺度可以覆盖不同的像素范围，图像特征尺度的数值越大，则每次进行特征提取时所针对的像素数量越多，即每次特征提取时特征提取覆盖像素的数量越多。图像特征尺度的数值大小可以根据实际需要进行灵活设定，还可以设置多种数值的图像特征尺度。图像特征尺度体现了在每次对生物部位图像进行特征提取时所针对特征提取覆盖像素的数量，而图像特征型态体现了在每次对生物部位图像进行特征提取时所针对特征提取覆盖像素的分布位置，通过结合图像特征尺度和图像特征型态，可以充分提取到生物部位图像的有效型态特征。

具体地，服务器确定至少一种图像特征尺度，每种图像特征尺度可以确定相应的至少一种图像特征型态，图像特征型态与目标部位的特征型态类型相适配。例如，可以确定图像特征尺度可以包括4*4、8*8以及16*16共三个尺度，而图像特征型态可以包括10个方向的线型型态。服务器按照确定的至少一种图像特征尺度下的至少一种图像特征型态，针对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。在具体实现时，对于生物部位图像中提取得到型态特征的每个像素，若每个像素对应的型态特征数量为1个，如按照一种图像特征尺度下的一种图像特征型态针对进行特征提取，每个像素可以得到与该图像特征尺度和图像特征型态相对应的型态特征，则服务器可以将其确定为相应像素对应的型态特征。若每个像素对应的型态特征数量超过一个，如图像特征尺度或图像特征型态中至少一个的种类超过一种，每个像素可以得到多个型态特征，则服务器可以将多个型态特征融合后得到相应像素对应的型态特征。

在具体应用时，服务器可以在每种图像特征尺度下，确定至少一种图像特征型态对应的特征提取单元，并基于特征提取单元对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征。如图4所示，环型的特征提取单元1和特征提取单元2对应于不同的图像特征尺度，服务器可以从特征提取单元1和特征提取单元2中确定至少一种，对生物部位图像进行特征提取。

本实施例中，服务器按照至少一种图像特征尺度下的至少一种图像特征型态针对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的型态特征，可以根据实际尺度需要进行特征提取，有利于增强对目标部位特征表达的针对性，能够准确获得目标部位的生物部位特征，从而提高了基于目标部位的生物部位特征进行身份识别的准确性。

在一个示例性的实施例中，按照至少一种图像特征尺度下的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，包括：按照至少两种图像特征尺度下的至少一种图像特征型态，从生物部位图像中，提取得到各个像素与至少两种图像特征尺度各自对应的尺度型态特征；针对各个像素中的每个像素，将所针对像素与至少两种图像特征尺度分别对应的尺度型态特征融合，得到所针对像素的尺度融合特征；根据各个像素各自的尺度融合特征得到各自的型态特征。

其中，图像特征尺度包括至少两种，每种图像特征尺度下可以对应于至少一种图像特征型态，从而可以实现多尺度的特征提取。例如，图像特征尺度的种类为M，图像特征型态的种类为N，则可以实现M*N种特征提取，即对于生物部位图像中针对进行特征提取的每个像素，将会提取得到M*N个的型态特征。尺度型态特征是在一种图像特征尺度下按照一种图像特征型态提取得到的型态特征，每个尺度型态特征对应于一种图像特征尺度下的一种图像特征型态。对于生物部位图像中针对进行特征提取的每个像素，其尺度型态特征的数量为图像特征尺度的种类数与图像特征型态的种类数的乘积。对于生物部位图像中针对进行特征提取的每个像素，其尺度融合特征是将该像素对应的多个尺度型态特征融合后得到的特征，基于尺度融合特征可以得到该像素的型态特征。

具体地，服务器确定的图像特征尺度可以包括至少两种，每种图像特征尺度下可以包括至少一种图像特征型态。服务器在每种图像特征尺度下，按照确定的至少一种图像特征型态针对生物部位图像进行特征提取，得到各个像素各自的尺度型态特征，每个尺度型态特征对应于一种图像特征尺度下的一种图像特征型态。图像特征尺度包括多种，则每个像素的尺度型态特征包括多个，针对各个像素中的每个像素，服务器可以将所针对像素的各尺度型态特征进行融合，如可以进行平均融合，得到该所针对像素的尺度融合特征。在遍历各个像素，得到各个像素各自的尺度融合特征后，服务器可以根据各个像素各自的尺度融合特征得到各自的型态特征。例如，服务器可以直接将各个像素各自的尺度融合特征作为各自的型态特征，也可以针对各个像素各自的尺度融合特征进行进一步地特征映射处理后，得到各个像素各自的型态特征。

本实施例中，服务器按照至少两种图像特征尺度下的至少一种图像特征型态，针对生物部位图像进行特征提取，得到生物部位图像中各个像素各自的尺度型态特征，通过将每个像素各自的尺度型态特征进行融合得到尺度融合特征，并根据各个像素各自的尺度融合特征得到各自的型态特征，从而可以基于多尺度针对生物部位图像进行特征提取，融合多尺度的特征提取结果，能够准确获得目标部位的生物部位特征，从而提高了基于目标部位的生物部位特征进行身份识别的准确性。

在一个示例性的实施例中，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，包括：通过预训练的特征提取模型中的卷积网络，从生物部位图像中提取得到各个像素各自的型态特征；卷积网络，用于按照与目标部位的特征型态类型相适配的至少一种图像特征型态进行特征提取。

其中，特征提取模型可以基于样本数据预先训练得到，特征提取模型可以是基于各种神经网络算法训练得到的模型，神经网络算法具体可以包括但不限于包括CNN（Convolutional Neural Networks，卷积神经网络）算法、RNN（RecurrentNeural Network，循环神经网络）算法、Tansformer（转换器模型）算法、MLP算法（Multilayer Perceptron，多层感知机）、ResNets（残差网络）算法等。特征提取模型中可以包括卷积网络，卷积网络用于按照与目标部位的特征型态类型相适配的至少一种图像特征型态进行特征提取，即通过特征提取模型中的卷积网络实现对输入图像的型态特征提取，以按照至少一种图像特征型态针对输入图像进行特征提取。

示例性地，服务器可以获取预训练的特征提取模型，并通过预训练的特征提取模型中，用于按照与目标部位的特征型态类型相适配的至少一种图像特征型态进行特征提取的卷积网络，从生物部位图像中提取得到各个像素各自的型态特征。在具体应用中，每种图像特征型态可以对应于一种卷积核，以通过相应的卷积核实现图像特征型态的特征提取处理，即可以通过至少一种卷积核实现对生物部位图像的特征提取。在卷积网络中可以包括至少一种卷积核，通过将生物部位图像输入至卷积网络中，以通过至少一种卷积核，实现相应图像特征型态的特征提取处理，得到各个像素各自的型态特征。

进一步地，基于各个像素各自的型态特征得到待识别用户的生物部位特征，包括：通过特征提取模型中的部位特征提取网络，针对各个像素各自的型态特征，提取得到待识别用户的生物部位特征。

其中，特征提取模型中还包括部位特征提取网络的子网络，以通过部位特征提取网络针对各个像素各自的型态特征进行进一步地特征提取，得到待识别用户的生物部位特征。部位特征提取网络可以根据实际需要选择人工神经算法构建，并基于样本数据训练得到。

示例性地，服务器可以将各个像素各自的型态特征，输入到特征提取模型中的部位特征提取网络中，已由特征提取模型中的部位特征提取网络针对各个像素各自的型态特征进行进一步地特征提取，得到待识别用户的生物部位特征。例如，部位特征提取网络可以将输入的各个像素各自的型态特征进行拼接，具体可以按照各个像素在生物部位图像中各自的分布位置，将各个像素各自的型态特征进行拼接，得到生物部位图像的型态特征，并针对生物部位图像的型态特征进行特征提取，得到待识别用户的生物部位特征。

本实施例中，通过预训练的特征提取模型中的卷积网络，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，通过特征提取模型中的部位特征提取网络，针对各个像素各自的型态特征提取得到待识别用户的生物部位特征，可以基于人工神经网络模型实现高效、准确地特征提取处理，从而有利于提高身份识别的处理效率和准确性。

在一个示例性的实施例中，特征提取模型通过模型训练的步骤得到；模型训练的步骤包括：获取多个生物部位图像样本；通过待训练的特征提取模型中的卷积网络，从生物部位图像样本中提取得到各个样本像素各自的样本型态特征；通过待训练的特征提取模型中的部位特征提取网络，针对各个样本像素各自的样本型态特征，提取得到生物部位样本特征；基于生物部位样本特征和样本型态特征确定训练损失；根据训练损失，对待训练的特征提取模型中的卷积网络和部位特征提取网络分别进行更新后继续训练，直至训练结束，得到训练完成的特征提取模型。

其中，生物部位图像样本是针对训练特征提取模型的样本数据，生物部位图像样本可以携带有身份标识标签，以基于身份标识标签对特征提取模型的特征提取性能进行判定。样本型态特征由待训练的特征提取模型中的卷积网络基于生物部位图像样本提取得到，卷积网络可以按照与目标部位的特征型态类型相适配的至少一种图像特征型态，针对输入的生物部位图像样本进行特征提取。生物部位样本特征是通过待训练的特征提取模型中的部位特征提取网络，提取得到的生物特征。训练损失基于生物部位样本特征和样本型态特征得到，基于训练损失可以对特征提取模型的特征提取性能进行评价，从而对特征提取模型进行更新，以提高特征提取模型的特征提取性能。其中，生物部位样本特征可以反映出部位特征提取网络的特征提取性能，样本型态特征可以反映出卷积网络的特征提取性能。

示例性地，在训练特征提取模型时，服务器可以获取多个生物部位图像样本，生物部位图像样本可以基于用户的目标部位采集得到。服务器通过待训练的特征提取模型中的卷积网络，针对生物部位图像样本进行特征提取，以从生物部位图像样本中提取得到各个样本像素各自的样本型态特征。服务器通过待训练的特征提取模型中的部位特征提取网络，针对各个样本像素各自的样本型态特征进行进一步地特征提取，得到生物部位样本特征。服务器根据样本型态特征和样本型态特征确定训练损失，并基于训练损失对待训练的特征提取模型的模型参数进行更新，具体对待训练的特征提取模型中的卷积网络和部位特征提取网络各自的网络参数进行更新，如可以对网络中的权重参数等进行更新，并通过更新后的特征提取模型继续训练，直至训练结束，得到训练完成的特征提取模型。例如，在训练达到预设训练次数、特征提取模型满足收敛条件、或者特征提取模型的特征提取性能满足性能需求时，可以认为满足训练结束条件，从而结束训练，并根据结束训练时的特征提取模型得到训练完成的特征提取模型。

本实施例中，服务器基于生物部位图像样本训练包括卷积网络和部位特征提取网络的特征提取模型，根据反映卷积网络特征提取能力的样本型态特征和反映部位特征提取网络特征提取能力的生物部位样本特征，确定训练损失，基于该训练损失对特征提取模型进行模型更新，可以确保卷积网络和部位特征提取网络各自的特征提取性能，从而提高特征提取模型的特征提取性能，有利于提高身份识别的准确性。

在一个示例性的实施例中，基于生物部位样本特征和样本型态特征确定训练损失，包括：基于生物部位样本特征得到部位特征提取损失；确定负样本对；负样本对包括携带不同身份标签的生物部位图像样本；基于负样本对中生物部位图像样本各自的样本型态特征得到样本对损失；根据部位特征提取损失和样本对损失得到训练损失。

其中，部位特征提取损失根据生物部位样本特征得到，用于反映部位特征提取网络的特征提取性能，具体可以采用各种损失算法计算得到，如可以基于arcface（加性角度间隔损失）算法、均方误差（Mean Squared Error，MSE）算法、交叉熵（Cross Entropy）算法等得到。负样本对包括携带不同身份标签的生物部位图像样本，即负样本对中的生物部位图像样本分别对应于不同的用户，样本对损失基于负样本对中的生物部位图像样本各自的样本型态特征得到，具体可以采用各种损失算法计算得到，如可以采用L1损失（绝对值损失）、L2损失（均方误差损失）等算法得到。训练损失基于部位特征提取损失和样本对损失得到，具体可以根据部位特征提取损失和样本对损失融合得到。

具体地，服务器可以基于生物部位样本特征得到部位特征提取损失，如可以基于生物部位样本特征按照arcface算法计算得到。服务器确定包括携带不同身份标签的生物部位图像样本的负样本对，并确定负样本对中生物部位图像样本各自的样本型态特征，服务器基于负样本对中生物部位图像样本各自的样本型态特征得到样本对损失，如可以基于L1损失算法，根据负样本对中生物部位图像样本各自的样本型态特征计算得到样本对损失。服务器可以基于部位特征提取损失和样本对损失得到训练损失，具体可以根据部位特征提取损失和样本对损失的和得到训练损失，以通过训练损失对特征提取模型进行模型参数更新。

本实施例中，服务器根据样本型态特征得到反映部位特征提取网络特征提取能力的部位特征提取损失，根据负样本对中生物部位图像样本各自的样本型态特征，得到反映卷积网络特征提取能力的样本对损失，并根据部位特征提取损失和样本对损失得到训练损失，基于训练损失进行模型更新可以确保卷积网络和部位特征提取网络各自的特征提取性能，从而提高特征提取模型的特征提取性能，有利于提高身份识别的准确性。

在一个示例性的实施例中，基于各个像素各自的型态特征得到待识别用户的生物部位特征，包括：按照各个像素在生物部位图像中各自的分布位置，将各个像素各自的型态特征进行拼接，得到生物部位图像的型态特征；对生物部位图像的型态特征进行特征提取，得到待识别用户的生物部位特征。

其中，分布位置是指像素在生物部位图像的所处空间位置。示例性地，服务器可以确定各个像素在生物部位图像中各自的分布位置，并按照各自的分布位置，将各个像素各自的型态特征进行拼接，得到生物部位图像的型态特征。服务器基于生物部位图像的型态特征进行进一步地特征提取，得到待识别用户的生物部位特征。在具体应用中，服务器可以通过预训练的特征提取模型中的部位特征提取网络，针对生物部位图像的型态特征进行特征提取，如可以将生物部位图像的型态特征输入到特征提取模型的部位特征提取网络中，得到待识别用户的生物部位特征。

本实施例中，服务器通过将各个像素各自的型态特征进行拼接，对获得的生物部位图像的型态特征进行特征提取，得到待识别用户的生物部位特征，可以综合各个像素各自的型态特征，有利于提高生物部位特征的表达能力，从而提高身份识别的准确性。

在一个示例性的实施例中，按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征，包括：从生物部位图像中确定感兴趣区域；确定与目标部位的特征型态类型相适配的至少一种图像特征型态；按照至少一种图像特征型态，提取得到感兴趣区域中各个像素各自的型态特征。

其中，感兴趣区域是从生物部位图像中确定的需要针对进行生物部位特征提取的图像区域。示例性地，服务器可以从生物部位图像中确定感兴趣区域，如可以针对生物部位图像进行生物部位识别，以将包括目标部位的区域确定为感兴趣区域。服务器可以确定与目标部位的特征型态类型相适配的至少一种图像特征型态，具体可以确定目标部位的特征型态类型，并基于特征型态类型确定相适配的至少一种图像特征型态。服务器按照确定的至少一种图像特征型态对感兴趣区域进行特征提取，得到感兴趣区域中各个像素各自的型态特征。

本实施例中，服务器通过从生物部位图像中确定感兴趣区域，基于感兴趣区域进行特征提取以进行身份识别，可以减少特征提取处理的数据量，从而能够提高身份识别的处理效率。

在一个示例性的实施例中，目标部位为手掌，如图8所示，确定感兴趣区域的处理，即从生物部位图像中确定感兴趣区域，包括步骤802至步骤806。其中：

步骤802，从生物部位图像中检测出手掌中拇指之间的各指缝特征点。

其中，目标部位是手掌，生物部位图像是手掌图像，需要针对提取的生物部位特征为手掌特征，具体可以包括掌纹特征或者掌静脉特征中的至少一种。指缝特征点可以是区分各个拇指的特征点，具体可以是拇指之间在掌纹部分的连接点。具体地，服务器可以针对生物部位图像进行手掌特征点识别，识别出手掌中拇指之间的各指缝特征点，如具体可以识别出大拇指、食指、中指、无名指以及小拇指各自相邻拇指之间在手掌处的连接点，得到各指缝特征点。

步骤804，基于各指缝特征点的特征点位置和各指缝特征点之间的特征点距离，从生物部位图像中确定感兴趣焦点和区域范围参数。

其中，特征点位置是指指缝特征点在生物部位图像中所处的空间位置，特征点距离是指各个指缝特征点各自特征点位置之间的距离。感兴趣焦点是待确定感兴趣区域的特征点，具体可以是待确定感兴趣区域的顶点、圆心或者中心点等。区域范围参数用于描述待确定感兴趣区域的范围，具体可以包括边长、半径等参数。具体地，服务器可以确定各指缝特征点在生物部位图像中分别所处的特征点位置，并基于各个特征点位置确定各指缝特征点之间的特征点距离。服务器基于特征点位置和特征点距离，在生物部位图像中确定感兴趣焦点和区域范围参数。如可以基于特征点位置和特征点距离确定出圆心和半径，使得基于该圆心和半径确定的圆形感兴趣区域能够覆盖各指缝特征点以及手掌区域。

步骤806，在生物部位图像中按照感兴趣焦点和区域范围参数，确定感兴趣区域。

具体地，服务器基于按照感兴趣焦点和区域范围参数，在生物部位图像中确定感兴趣区域。例如，感兴趣焦点为中心点、区域范围参数为边长时，可以以感兴趣焦点为中心，以区域范围参数为几何边长，构建多边形的感兴趣区域。又如，感兴趣焦点为中心点、区域范围参数为半径时，可以以感兴趣焦点为圆点，以区域范围参数为半径构建圆形的感兴趣区域。

本实施例中，服务器检测出生物部位图像中手掌拇指之间的各指缝特征点，并基于各指缝特征点的特征点位置和各指缝特征点之间的特征点距离确定感兴趣焦点和区域范围参数，按照感兴趣焦点和区域范围参数在生物部位图像中确定感兴趣区域，可以确保感兴趣区域能够覆盖手掌区域，在确保生物特征提取准确性的同时，减少特征提取处理的数据量，从而能够提高身份识别的处理效率。

在一个示例性的实施例中，将生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果，包括：获取各注册用户各自的注册部位特征；分别确定生物部位特征与各注册部位特征之间的特征相似度；基于各特征相似度确定针对待识别用户的身份识别结果。

其中，注册部位特征是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。特征相似度基于生物部位特征与注册部位特征计算得到，具体可以包括余弦相似度（Cosine Similarity）、欧氏距离（Eucledian Distance）、曼哈顿距离（Manhattan Distance）、明可夫斯基（Minkowski distance）等各种形式。

具体地，服务器可以获取预存的各注册用户各自的注册部位特征，并将生物部位特征与各注册部位特征进行相似度计算，以确定生物部位特征与各注册部位特征之间的特征相似度。服务器基于各个特征相似度，得到待识别用户的身份识别结果。例如，服务器可以将相似度最高的注册部位特征所对应的注册用户，确定为待识别用户的身份识别结果。此外，还可以设置相似度阈值，在相似度数值超过相似度阈值时，才认为特征相匹配，并将相似度最高的注册部位特征所对应的注册用户，确定为待识别用户的身份识别结果。若相似度数值小于相似度阈值，则可以认为特征不匹配，即待识别用户不属于预先已经完成注册的注册用户。

本实施例中，服务器通过基于待识别用户的生物部位特征与各注册用户各自的注册部位特征之间的特征相似度，确定待识别用户的身份识别结果，可以利用生物部位特征实现有效的身份识别处理，确保身份识别的准确性。

本申请还提供一种应用场景，该应用场景应用上述的身份识别方法。具体地，该身份识别方法在该应用场景的应用如下：

掌纹识别技术是继人脸识别技术以后的新一代生物特征识别技术，目前已在移动支付，身份核验等领域有了落地应用。相较于人脸识别技术，掌纹识别技术根据手掌掌纹区域的图片识别不同用户的身份信息，掌纹因其隐蔽性，更有利于保护用户隐私，同时不会受到口罩、化妆、墨镜等因素的影响。

现有掌纹识别技术通常可以分为三个大类。第一种是基于几何特征的掌纹识别，主要通过识别手掌上的几何形状来进行掌纹识别，例如手指间距、手指宽度、手掌长度等。具体地，基于几何特征的掌纹识别方案实现时，进行图像预处理，具体对输入的掌纹图像进行去噪、增强和二值化等操作；进行几何特征提取，具体计算手掌几何特征，如手指宽度、手指间距、手掌长度等；进行模式匹配，具体利用提取到的几何特征，与数据库中的模板进行模式匹配，从而识别个体身份。基于几何特征的掌纹识别方法对于较低分辨率的图像和环境干扰较为鲁棒，但识别精度有限。

第二种是基于纹路特征的掌纹识别，纹路特征法关注于手掌表面皮肤纹理的特征，如Directional Field（定向场）、Gabor Filter（贾柏滤波器）等。基于纹路特征的掌纹识别方案实现时，进行图像预处理，具体对输入的掌纹图像进行去噪、增强、滤波等操作；进行纹路特征提取，具体运用信号处理方法，如 Directional Field、Gabor Filter对预处理后的图像提取纹路特征；进行特征匹配，具体通过比较输入图像和数据库中的纹路特征，实现掌纹识别。基于纹路特征的掌纹识别方法采用信号处理和机器学习技术来提取和匹配掌纹纹路特征，纹路特征法对于复杂场景具有较好的鲁棒性及识别精度。

第三种是基于深度学习的掌纹识别，具体借助现代深度学习技术，如卷积神经网络（CNN）对手掌图像进行端到端的特征学习与识别。基于深度学习的掌纹识别方案实现时，进行图像预处理，具体对输入的掌纹图像进行去噪、增强、归一化等操作；进行深度学习模型训练，具体采用深度卷积神经网络将标注好的掌纹图像进行训练，学习掌纹的层次特征；进行掌纹识别，具体将输入图像经过预处理后输入预训练好的模型中，进行掌纹识别。基于深度学习的掌纹识别方法可以自动学习到手掌图像的层次性特征表达，提高掌纹识别的准确性和鲁棒性。

然而，在移动支付场景下，用户基数非常多，其中会包含很多高相似的样本。现有基于几何特征、纹路特征、深度学习的方法，均是基于正方形卷积核对手掌特征进行提取，由于手掌主要是线型特征，因此其特征提取效果均不佳。

手掌的特征信息主要集中在掌纹线中，因此对于掌纹线特征的提取对于区分不同手掌非常重要。而本实施例针对现有方法的问题，提出一种基于线型卷积的掌纹特征提取方法，充分学习掌纹线线型特征，用于区分不同掌纹线。本实施例针对掌纹线特征的形式，提出一种基于线型卷积的掌纹特征提取方法，通过设计线型卷积特征提取器，有效提升模型对线型特征的提取效果，有效提升模型对不同手掌的区分能力，从而提高掌纹识别的准确性。本实施例提出了一种基于线型卷积的掌纹识别方法：第一步，利用检测模型检测手掌食指、中指、无名指三个指缝关键点的位置；第二步，根据三个指缝关键点的位置提取手掌感兴趣区域；第三步，使用多尺度线型卷积核对感兴趣区域进行掌纹特征提取；第四步，融合不同尺度线型提取特征；第五步，使用pairwise（成对）损失函数进行特征约束。本实施例通过引入多尺度线型卷积能够更有效提取手掌掌纹线型特征，同时增加像素级方向图对比，更好区分高相似样本，从而能够提高掌纹识别的准确性。

掌纹识别技术在移动支付，身份核验等商用场景下拥有广泛的使用前景，本实施例提供了一种基于线型卷积的掌纹特征提取方法，可根据用户手掌图片，通过特征匹配对用户身份进行判别。如图9所示，面向支付的掌纹识别处理过程中包括：步骤901，通过终端支付设备进行图像采集；步骤902，采集获得用户手部图片；步骤903，进行指缝关键点检测，具体可以由检测模型对用户手部三个指缝关键点进行检测；步骤904，提取手掌感兴趣区域，具体可以根据手部图片和关键点位置提取手掌感兴趣区域；步骤905，多尺度线型特征提取，具体使用多尺度线型模型提取手掌感兴趣区域特征；步骤906，特征融合，具体融合多尺度线型特征；步骤907，识别模型提取特征，具体通过识别模型对多尺度信息进行推理；步骤908，计算与底库特征之间的相似度，具体计算拼接特征与底库特征之间的余弦相似度；步骤909，基于相似度确定识别结果，具体可以将相似度最高的底库照对应的身份信息确定为目标用户。

对于采集的图像进行手掌区域检测，具体使用目标检测技术定位手指缝点，从图片中提取手掌区域图片。具体地，对于手掌感兴趣区域的提取处理，如图10所示，首先进行指缝关键点定位，具体通过基于YOLOv2（You Only Look Once，目标检测算法）的指缝点目标检测器检测食指A，中指B，无名指C三个指缝关键点。再进行局部坐标系确定，具体根据关键点A和C确定局部坐标系x轴，根据第三个点B确立与x轴垂直的y轴，沿y轴负方向与坐标原点距离为AC长度处找到掌纹中心点D，DE距离等于6/5的AC距离。最后进行ROI区域提取，具体将A点到C点的距离乘3/2作为ROI（Region Of Interest，感兴趣区域）区域的1/2边长d，以D点为中心，2d为边长提取ROI区域作为识别模型的输入。如图10中，以D点为中心，以3AC为边长的正方形区域为确定出的ROI区域。

对于模型训练处理，将从各个样本数据提取的各局部感兴趣区域均resize（缩放）到同样224*224尺度。进一步地，针对掌纹线线分布情况，可以设置不同尺度、不同方向的线型卷积核，用于提取不同尺度下、不同方向的手掌线特征。如图11所示，对于9*9的线型卷积，以卷积核的核中心像素点为原点，沿与水平方向夹角0度a，30度b，60度c，90度d，120度e，150度f方向构建线型卷积权重，线型卷积权重宽度为1，其余部分权重为0，即填充线条的卷积单位的权重为1，其卷积结果有效，而未填充的空白卷积单位的权重为0，其卷积结果为0。如图12所示，对于16*16的线型卷积，以核中心像素点为原点，沿与水平方向夹角0度a，30度b，60度c，90度d，120度e，150度f方向构建线型卷积权重，线型卷积权重宽度为4，其余部分权重为0。

进一步地，通过不同尺度、不同方向的线型卷积核针对感兴趣区域进行特征提取，特征提取结果可以如下式，

其中，是第i行j列的像素基于线型卷积核提取得到的线型特征，表示输入图像的第i行j列的像素值，是指线型卷积核范围内第m行n列对应的像素；m是线型卷积核的宽，n是线型卷积核的高；是线型卷积核的第m行n列的权重参数，b是偏置项；k是线型卷积核的宽度，这里分别取9和16。这样，输入图像每个像素均可以得到12个线型卷积结果，具体包括2个尺度，每个尺度6个方向。

进一步地，对于每个像素点，对其12个线型卷积结果做平均，用于表示该像素点的线型卷积融合结果，具体如下式，

其中，是线型卷积融合结果，是每列的线型卷积结果。

进一步地，将所有像素点的线型卷积结果按对应像素位置拼接，得到整体图像的方向图orientation_map，并将该方向图作为后续特征提取网络的输入，后续特征提取网络可以为inception resnet50，其输出为512维特征feature_id。

进一步地，使用arcface计算不同身份手掌图特征之间的损失函数，在此基础上增加了负样本pairwise像素方向图差异。具体将两个身份不一致的手掌图构成负样本，计算各自方向图之间的L1损失函数，取所有负样本L1损失的总和作为pairwise loss，具体如下式所示，

其中，n是负样本的数量，是第i个负样本的方向图，是第j个负样本的方向图。

最终的损失函数loss_final由arcface loss和pairwise loss相加得到，具体如下式所示，

loss_final=arcface_loss+pairwise_loss

最终的损失函数loss_final计算完成后，进行梯度反向传播，并继续进行训练直至训练完成，得到训练完成的特征提取网络。

在进行身份识别时，可以通过终端支付设备摄像头采集用户手部图片；由检测模型对用户手部三个指缝关键点进行检测；根据手部图片和关键点位置提取手掌感兴趣区域；使用多尺度线型卷积提取多尺度线型特征；将多尺度线型特征平均融合；使用特征提取网络提取掌纹图特征编码向量；计算掌纹图特征编码向量与底库特征之间的余弦相似度，余弦相似度计算公式如下，

其中，、分别表示注册底库特征和识别特征。取相似度最高的样本id作为最终的识别结果，返回终端支付设备作为身份识别结果。

在一个具体应用中，进行高相似掌纹细粒度识别算法效果验证，如下表1所示，为本实施例的线型卷积方法在双胞胎数据集上的验证结果。

表1

方法/识别错误样本对数量	高清双胞胎图	模糊双胞胎图
			arcface现有方法	37	46
本实施例	0	0

为了验证线型卷积特征提取的有效性，使用四十对双胞胎的高清和模糊掌纹图像，作为高相似掌纹图进行测试，结果表1所示。将同一对双胞胎的左手/右手作为一个样本对，总共包含3600个样本对。在高清双胞胎图像上，现有方法arcface有37对样本识别结果错误，而本实施例的方法没有识别错误的样本；模糊的双胞胎图上，arcface有46对识别错误样本，而本实施例的方法没有识别错误的样本集，体现了本方法对高相似样本的识别有效性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的身份识别方法的身份识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个身份识别装置实施例中的具体限定可以参见上文中对于身份识别方法的限定，在此不再赘述。

在一个实施例中，如图13所示，提供了一种身份识别装置1300，包括：部位图像获取模块1302、型态特征提取模块1304、生物部位特征获得模块1306和特征匹配模块1308，其中：

部位图像获取模块1302，用于获取针对待识别用户的目标部位得到的生物部位图像；

型态特征提取模块1304，用于按照与目标部位的特征型态类型相适配的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征；图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；特征提取覆盖像素，是每次特征提取时所针对的像素；

生物部位特征获得模块1306，用于基于各个像素各自的型态特征得到待识别用户的生物部位特征；

特征匹配模块1308，用于将生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对待识别用户的身份识别结果；注册部位特征，是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。

在一个实施例中，目标部位为手掌，图像特征型态为线型型态；型态特征提取模块1304，还用于对生物部位图像按照至少一种方向的线型型态，提取得到各个像素各自的型态特征。

在一个实施例中，型态特征提取模块1304，还用于对生物部位图像按照至少两种方向的线型型态，分别提取得到各个像素与至少两种方向的线型型态各自对应的方向型态特征；针对各个像素中的每个像素，将所针对像素与至少两种方向的线型型态分别对应的方向型态特征融合，得到所针对像素的方向融合特征；根据各个像素各自的方向融合特征得到各自的型态特征。

在一个实施例中，型态特征提取模块1304，还用于确定在至少一种图像特征尺度下，与目标部位的特征型态类型相适配的至少一种图像特征型态；按照至少一种图像特征尺度下的至少一种图像特征型态，从生物部位图像中提取得到各个像素各自的型态特征。

在一个实施例中，型态特征提取模块1304，还用于按照至少两种图像特征尺度下的至少一种图像特征型态，从生物部位图像中，提取得到各个像素与至少两种图像特征尺度各自对应的尺度型态特征；针对各个像素中的每个像素，将所针对像素与至少两种图像特征尺度分别对应的尺度型态特征融合，得到所针对像素的尺度融合特征；根据各个像素各自的尺度融合特征得到各自的型态特征。

在一个实施例中，型态特征提取模块1304，还用于通过预训练的特征提取模型中的卷积网络，从生物部位图像中提取得到各个像素各自的型态特征；卷积网络，用于按照与目标部位的特征型态类型相适配的至少一种图像特征型态进行特征提取；生物部位特征获得模块1306，还用于通过特征提取模型中的部位特征提取网络，针对各个像素各自的型态特征，提取得到待识别用户的生物部位特征。

在一个实施例中，还包括模型训练模块，用于获取多个生物部位图像样本；通过待训练的特征提取模型中的卷积网络，从生物部位图像样本中提取得到各个样本像素各自的样本型态特征；通过待训练的特征提取模型中的部位特征提取网络，针对各个样本像素各自的样本型态特征，提取得到生物部位样本特征；基于生物部位样本特征和样本型态特征确定训练损失；根据训练损失，对待训练的特征提取模型中的卷积网络和部位特征提取网络分别进行更新后继续训练，直至训练结束，得到训练完成的特征提取模型。

在一个实施例中，模型训练模块，还用于基于生物部位样本特征得到部位特征提取损失；确定负样本对；负样本对包括携带不同身份标签的生物部位图像样本；基于负样本对中生物部位图像样本各自的样本型态特征得到样本对损失；根据部位特征提取损失和样本对损失得到训练损失。

在一个实施例中，生物部位特征获得模块1306，还用于按照各个像素在生物部位图像中各自的分布位置，将各个像素各自的型态特征进行拼接，得到生物部位图像的型态特征；对生物部位图像的型态特征进行特征提取，得到待识别用户的生物部位特征。

在一个实施例中，型态特征提取模块1304，还用于从生物部位图像中确定感兴趣区域；确定与目标部位的特征型态类型相适配的至少一种图像特征型态；按照至少一种图像特征型态，提取得到感兴趣区域中各个像素各自的型态特征。

在一个实施例中，目标部位为手掌；型态特征提取模块1304，还用于从生物部位图像中检测出手掌中拇指之间的各指缝特征点；基于各指缝特征点的特征点位置和各指缝特征点之间的特征点距离，从生物部位图像中确定感兴趣焦点和区域范围参数；在生物部位图像中按照感兴趣焦点和区域范围参数，确定感兴趣区域。

在一个实施例中，特征匹配模块1308，还用于获取各注册用户各自的注册部位特征；分别确定生物部位特征与各注册部位特征之间的特征相似度；基于各特征相似度确定针对待识别用户的身份识别结果。

上述身份识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器或终端，其内部结构图可以如图14所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储身份识别涉及的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种身份识别方法。

本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (15)

1.一种身份识别方法，其特征在于，所述方法包括：

获取针对待识别用户的目标部位得到的生物部位图像；

按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征；所述图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；所述特征提取覆盖像素，是每次特征提取时所针对的像素；

基于所述各个像素各自的型态特征得到所述待识别用户的生物部位特征；

将所述生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对所述待识别用户的身份识别结果；所述注册部位特征，是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。

2.根据权利要求1所述的方法，其特征在于，所述目标部位为手掌，所述图像特征型态为线型型态；

所述按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征，包括：

对所述生物部位图像按照至少一种方向的线型型态，提取得到各个像素各自的型态特征。

3.根据权利要求2所述的方法，其特征在于，所述对所述生物部位图像按照至少一种方向的线型型态，提取得到各个像素各自的型态特征，包括：

对所述生物部位图像按照至少两种方向的线型型态，分别提取得到各个像素与所述至少两种方向的线型型态各自对应的方向型态特征；

针对所述各个像素中的每个像素，将所针对像素与所述至少两种方向的线型型态分别对应的方向型态特征融合，得到所述所针对像素的方向融合特征；

根据所述各个像素各自的方向融合特征得到各自的型态特征。

4.根据权利要求1所述的方法，其特征在于，所述按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征，包括：

确定在至少一种图像特征尺度下，与所述目标部位的特征型态类型相适配的至少一种图像特征型态；

按照所述至少一种图像特征尺度下的所述至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征。

5.根据权利要求4所述的方法，其特征在于，所述按照所述至少一种图像特征尺度下的所述至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征，包括：

按照至少两种图像特征尺度下的所述至少一种图像特征型态，从所述生物部位图像中，提取得到各个像素与所述至少两种图像特征尺度各自对应的尺度型态特征；

针对所述各个像素中的每个像素，将所针对像素与所述至少两种图像特征尺度分别对应的尺度型态特征融合，得到所述所针对像素的尺度融合特征；

根据所述各个像素各自的尺度融合特征得到各自的型态特征。

6.根据权利要求1所述的方法，其特征在于，所述按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征，包括：

通过预训练的特征提取模型中的卷积网络，从所述生物部位图像中提取得到各个像素各自的型态特征；

所述卷积网络，用于按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态进行特征提取；

所述基于所述各个像素各自的型态特征得到所述待识别用户的生物部位特征，包括：

通过所述特征提取模型中的部位特征提取网络，针对所述各个像素各自的型态特征，提取得到所述待识别用户的生物部位特征。

7.根据权利要求6所述的方法，其特征在于，所述特征提取模型通过模型训练的步骤得到；所述模型训练的步骤包括：

获取多个生物部位图像样本；

通过待训练的特征提取模型中的卷积网络，从所述生物部位图像样本中提取得到各个样本像素各自的样本型态特征；

通过所述待训练的特征提取模型中的部位特征提取网络，针对所述各个样本像素各自的样本型态特征，提取得到生物部位样本特征；

基于所述生物部位样本特征和所述样本型态特征确定训练损失；

根据所述训练损失，对所述待训练的特征提取模型中的卷积网络和部位特征提取网络分别进行更新后继续训练，直至训练结束，得到训练完成的所述特征提取模型。

8.根据权利要求7所述的方法，其特征在于，所述基于所述生物部位样本特征和所述样本型态特征确定训练损失，包括：

基于所述生物部位样本特征得到部位特征提取损失；

确定负样本对；所述负样本对包括携带不同身份标签的生物部位图像样本；

基于负样本对中生物部位图像样本各自的样本型态特征得到样本对损失；

根据所述部位特征提取损失和所述样本对损失得到训练损失。

9.根据权利要求1所述的方法，其特征在于，所述基于所述各个像素各自的型态特征得到所述待识别用户的生物部位特征，包括：

按照所述各个像素在所述生物部位图像中各自的分布位置，将所述各个像素各自的型态特征进行拼接，得到所述生物部位图像的型态特征；

对所述生物部位图像的型态特征进行特征提取，得到所述待识别用户的生物部位特征。

10.根据权利要求1所述的方法，其特征在于，所述按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征，包括：

从所述生物部位图像中确定感兴趣区域；

确定与所述目标部位的特征型态类型相适配的至少一种图像特征型态；

按照所述至少一种图像特征型态，提取得到所述感兴趣区域中各个像素各自的型态特征。

11.根据权利要求10所述的方法，其特征在于，所述目标部位为手掌；所述从所述生物部位图像中确定感兴趣区域，包括：

从所述生物部位图像中检测出手掌中拇指之间的各指缝特征点；

基于各所述指缝特征点的特征点位置和各所述指缝特征点之间的特征点距离，从所述生物部位图像中确定感兴趣焦点和区域范围参数；

在所述生物部位图像中按照所述感兴趣焦点和所述区域范围参数，确定感兴趣区域。

12.根据权利要求1至11任意一项所述的方法，其特征在于，所述将所述生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对所述待识别用户的身份识别结果，包括：

获取各注册用户各自的注册部位特征；

分别确定所述生物部位特征与各所述注册部位特征之间的特征相似度；

基于各所述特征相似度确定针对所述待识别用户的身份识别结果。

13.一种身份识别装置，其特征在于，所述装置包括：

部位图像获取模块，用于获取针对待识别用户的目标部位得到的生物部位图像；

型态特征提取模块，用于按照与所述目标部位的特征型态类型相适配的至少一种图像特征型态，从所述生物部位图像中提取得到各个像素各自的型态特征；所述图像特征型态，是将特征提取覆盖像素各自的分布位置组合后所符合的型态；所述特征提取覆盖像素，是每次特征提取时所针对的像素；

生物部位特征获得模块，用于基于所述各个像素各自的型态特征得到所述待识别用户的生物部位特征；

特征匹配模块，用于将所述生物部位特征与注册部位特征进行特征匹配，并根据特征匹配结果确定针对所述待识别用户的身份识别结果；所述注册部位特征，是针对注册用户的目标部位所对应的生物部位图像进行身份注册获得的生物部位特征。

14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。

15.一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，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。