1.一种基于迁移学习和GAN网络的指静脉精准身份识别系统(VARS)，其特征在于，包含以下模块：(1)图像采集预处理模块：负责手指静脉的采集和采集后的图像的预处理。经过指静脉采集设备成像，得到尺寸为长宽为400*200的指静脉图片，根据手指轮廓进行ROI裁剪，再对图片进行尺寸统一和流明度归一化。

(2)样本质量评估模块：负责评估采集和预处理后的图片的质量。输入为图像采集预处理模块预处理后的指静脉图片，经过质量评估，如果图片质量符合标准将输入的指静脉图片输出；如果判定为图片质量不够好，静脉信息不足，在此处终止目前的工作流程，不再向下一模块输出。

(3)欺骗检测模块：负责判断输入图片是伪造假指静脉还是真实指静脉。输入为样本质量评估模块评估后的指静脉图片，如果判定图片为真实指静脉，将输入的指静脉图片输出；

如果判定为伪造指静脉，否则在此处终止目前的工作流程，系统报警，伪造输入记录和时间戳将作为系统识别记录输出给数据存储模块。

(4)特征提取模块：通过迁移学习训练所得，负责针对图片进行指静脉特征提取。每张图片输出一个128维指静脉特征向量。输入为样本质量评估模块输出的指静脉图片，经过该特征提取模型，输出128维指静脉特征向量。该特征提取过程支持批量处理。

(5)身份认证模块：负责对输入的特征向量判断其身份所属。该模块有两个输入：a.由特征提取模块输出的128维指静脉特征(需验证的身份)，b.由数据存储模块输出的全部内部人员的身份特征分布信息。基于欧式距离比对a与b之间的覆盖情况，判定需验证的身份所属。输出-1表示未知外来人员，输出对应的身份编号表示已知人员。判定结果和时间戳将作为系统识别记录传输给数据存储模块。

(6)数据存储模块：负责存储和读取指静脉特征信息、加密指静脉样本和系统识别记录。该模块有5个工作内容：1.存储加密图像：接收来自样本质量评估模块输出的指静脉图片，经过图像加密，将加密图像文件存储。2.存储身份特征分布信息：接收来自特征提取模块的新增用户的多个特征向量，经过计算处理，生成该身份的特征分布信息，与用户输入名称打包存储。3.存储系统识别记录：记录来源于欺骗检测模块的伪造输入记录和身份认证模块的准入/拒绝记录，包含时间戳，本模块将原记录逐行存储。4.读取身份特征分布信息：读取全部内部人员的特征分布信息，输出到身份认证模块。5.读取系统识别记录：读取已有的系统识别记录，输出到系统用户界面，供系统管理员查看。

2.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(4)特征提取模块的网络结构具体包括：(1)用2D卷积BN层替代普通2D卷积层，旨在提高训练收敛速度。2D卷积BN层由2D卷积+BatchNormalization层+RELU组合而成。下文中简称为“卷积BN层”。

(2)由101浅层特征提取单元，102深层特征提取单元，103全连接特征映射单元，104L2正则单元组成。101浅层特征提取单元由6个卷积BN层和1个3*3最大化池化层组成，其中第一个和最后一个卷积BN层的步长为2。102深层特征提取单元由5个A型inception残差块、A型特征蒸馏块、10个B型inception残差块、B型特征蒸馏块、6个C型inception残差块、平均池化层和Dropout层组成。

(3)A型inception残差块的组成：第一分支B1由一个1*1卷积核的卷积BN层T1组成，第二分支B2由1*1卷积核的卷积BN层T2和3*3卷积核的卷积BN层T3组成，第三分支B3由1*1的卷积BN层T4和两个3*3的卷积BN层T5和T6组成。融合层T7将T1,T3和T6的输出融合，T7的输出再经过1*1的卷积BN层T8，融合层T9 将T8输出和原输入X融合，再经过Relu层后，作为最终输出。

(4)B型inception残差块的组成：第一分支B1由一个1*1卷积核的卷积BN层T1组成，第二分支B2由1*1的卷积BN层T2、1*7的卷积BN层T3和7*1的卷积BN层T4组成.融合层T5将T1和T4的输出融合，T5的输出再经过1*1的卷积BN层T6，融合层T7将T6输出和原输入X融合，再经过Relu层后，作为最终输出。

(5)C型inception残差块的组成：第一分支B1由一个1*1卷积核的卷积BN层T1组成，第二分支B2由1*1的卷积BN层T2、1*3的卷积BN层T3和3*1的卷积BN层T4组成.融合层T5将T1和T4的输出融合，T5的输出再经过1*1的卷积BN层T6，融合层T7将T6输出和原输入X融合，再经过Relu层后，作为最终输出。

(6)A型特征蒸馏块的组成：第一分支B1由一个3*3卷积核、步长为2的卷积BN层T1组成，第二分支B2由1*1卷积核的卷积BN层T2和两个3*3卷积核的卷积BN层T3和T4组成，其中T4步长为2，第三分支B3由3*3池化尺寸、步长为2的最大池化层T5组成。融合层T6将T1,T4和T5的输出融合，作为最终输出。

(7)B型特征蒸馏块的组成：第一分支B1由1*1的卷积BN层T1和3*3卷积核、步长为2的卷积BN层T2组成，第二分支B1由1*1的卷积BN层T3和3*3卷积核、步长为2的卷积BN层T4组成，第三分支B2由1*1卷积核的卷积BN层T5和两个3*3卷积核的卷积BN层T6和T7组成，其中T7步长为2，第四分支B3由3*3池化尺寸、步长为2的最大池化层T8组成。融合层T9将T2、T4、T7和T8的输出融合，作为最终输出。

(8)103全连接特征映射单元：将1792维的深层特征数据输入128维的全连接特征映射单元，得到128维指静脉特征向量。

(9)104 L2正则单元：对128维指静脉特征向量进行L2范数归一化处理，得到128维的L2距离的指静脉特征。

3.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(4)特征提取模块的基准模型训练方法具体包括：(1)三元对分组：输入为归一化后的样本图片及对应类别标签，根据分组规则，组合成三张样本为一组的输入方式，三张样本的组合规律为：一张指静脉样本，与之同一类别的另一张样本，与之不同类别的一张样本，这三张样本我们简称为锚点(Anchor，缩写为A),正例(Positive,缩写为P)，负例(Negative,缩写为N)。模块使用的分组规则：从样本集中随机采样，按类别分开,称为Sample集。利用映射模型对全部采样样本进行映射，得到映射集Embedding。

从每个类别开始，两两成对，先组成(A,P)对。去除映射集中与A和P同类别的样本，对剩余样本针对A计算距离，找到所有符合类间距离–类内距离

(2)特征提取：将平铺的Triplets三元对集输入到特征提取模块中，输出得到128维特征向量组Output。反向传播训练：将Output重新排列成三元对形式，利用三元对损失函数进行反向传播：其中， 表示锚点A与正例P之间的距离， 表示锚点A与

负例N之间的距离，α(alpha)为人为设定的超参数(本专利中设为0.2)。

4.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(4)特征提取模块的迁移学习训练方案具体包括：(1)网络框架：在CycleGAN的基础上，改造出我们的迁移学习模型。我们将CycleGAN中的A域称为源域，命名为S。将B域称为目标域，命名为T。我们分别加入源域和目标域的特征提取模型。两个特征提取模型结构完全相同，但参数不同，训练时基于同样的损失函数，简称为Ltask。在迁移学习的网络结构中去除掉CycleGAN中的cycle consistency损失，将CycleGAN和特征提取模型一起进行联合训练。

(2)训练方法：目标域(真指静脉)的特征提取模型MT。

步骤1：对Xs和Xt分别进行采样

步骤2：利用联合损失函数公式1对GT→S,DS,MS进行联合训练。

公式联合损失为三部分的加和：针对目标域转换到源域数据的判别器生成器对抗损失、利用源域数据及标签，训练源域特征提取模型的损失、利用CycleGAN生成器GT→S将目标域图片Xt映射为源域数据Xs'，然后利用Xs'和它原有标签，训练源域特征提取模型的损失。

步骤3：利用联合损失函数公式1对GS→T,DT,MT进行联合训练。

公式联合损失为三部分的加和：针对源域转换到目标域数据的判别器生成器对抗损失、利用目标域数据及标签，训练目标域特征提取模型的损失、利用CycleGAN生成器GS→T将源域图片XS映射为仿真目标域数据Xt'，然后利用Xt'和它原有标签，训练目标域特征提取模型的损失。

步骤4：不断重复步骤1、2、3直至目标域特征提取模型收敛。

通过上述迁移学习流程，最终获得目标域(真指静脉)的特征提取模型。

5.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(1)图像采集预处理模块具体包括：(1)将样本统一尺寸至320*128

(2)以下公式对图片进行流明度归一化：

x*＝(x-u)/σ。

6.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(2)样本质量评估模块具体包括：(1)对比度质量分数：我们主要利用图像的灰度均方差来评判对比度分数，其中，C为图像的灰度均方差，xi为图形中毎一个像素点的灰度值，N为图像中的像素总个数，为该图像的灰度平均值。对比度质量分数的求解方法为：

S1＝S_contract＝100 当C>45

S1＝S_contract＝C/45*100 当C≤45

(2)信息熵质量分数:

其中，p(i)为每个灰度级在图像中出现的概率，S为图像信息熵。

信息熵质量分数S_comentropy求解方法为：

S2＝S_comentropy＝100 when S_comentropy＞5

S2＝S_comentropy＝S/5*100 when S_comentropy≤5(3)指静脉综合质量分数S_vein求解方法为：

7.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(5)身份认证模块具体包括：(1)身份比对方法：

从数据存储单元接收已有全部内部人员的身份特征分布信息，每一个身份对应了一个圆的中心点坐标(128维)和圆的半径；从特征提取模型接收一个128维向量，即来自某一指静脉图片的特征提取结果，为一个特征点(128维)。

基于欧式距离，判断该特征点与各圆的覆盖情况，分为以下三种情况：如果该点不被任何圆覆盖，那么该样本被判定为未知身份(外来人员)，输出-1。如果该点仅被一个圆覆盖，那么该样本被判定为该圆对应的身份，输出为该身份对应编号及名称。如果该点被多个圆覆盖，那么判定为与该点距离最近的圆心的圆所对应的类别，输出身份对应编号及名称。

8.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(6)数据存储模块具体包括：(1)接收来自特征提取模块的新增用户的50个128维特征向量，进行kmeans聚类，聚类为两个簇，保留主要的簇。将每个特征向量视为一个128维空间内的点，针对这些点求中心点，然后求得每个点到中心店的距离，取这些距离的中位数乘以半径比率(超参数，可人为调整)为半径，形成一个圆，来近似该新增用户的正态分布。将该圆的中心点和半径作为该身份的特征分布信息，生成身份编号。