1.一种基于生理结构一致性的OCT指纹防伪方法，其特征在于：所述基于生理结构一致性的OCT指纹防伪方法包括：采集不同指纹的OCT图像，并进行ROI提取得到ROI图像，构成数据集，并将数据集划分为训练集和验证集，并对训练集中的一部分ROI图像以及验证集进行标注；

构建双分支模型，并分阶段进行训练，且双分支模型包括结构相同的第一分割网络和第二分割网络，各分割网络包括依次连接的提取器和重建器，且提取器输出中间特征，重建器输出关于皮肤生理结构的分割结果，分割结果包含背景、角质层、汗腺和活表皮连接层四种类别的分割图像；

所述双分支模型训练时，第一阶段，利用有标签训练集对第一分割网络进行全监督训练，得到训练好的第一分割网络；

第二阶段，第一步，利用无标签训练集对第二分割网络中的提取器进行训练，第二步，利用有标签训练集对第二分割网络的提取器和重建器进行训练，且第一步和第二步交替执行，得到训练好的第二分割网络；

获取待检测指纹的OCT图像，并进行预设ROI图像提取后分别输入至训练好的第一分割网络和第二分割网络，得到两个第一中间特征和两个第一分割结果，并计算防伪分数，基于防伪分数判断待检测的OCT图像是否来自真实手指，实现指纹的防伪。

2.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：所述ROI图像的获取过程，包括：获取手指包含指纹区域的OCT扫描数据，得到指纹的OCT图像，计算OCT图像每一行的平均像素亮度，并选取亮度最高的 行，采用宽度为 的滑动窗口，对亮度最高的 行以预设的重叠率进行截取，且每截取一次得到的图像即为 的ROI图像。

3.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：采集不同指纹的OCT图像，并进行ROI提取得到ROI图像后，对各ROI图像进行拉伸变形操作，再使用插值算法调整至 的分辨率，且插值算法调整后的所有ROI图像构成数据集；

所述标注的过程包括：对ROI图像中的分别属于背景、角质层、汗腺和活表皮连接层的像素进行标注。

4.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：所述提取器包括依次连接的卷积块、第一下采样模块、第二下采样模块和第三下采样模块；

其中所述卷积块和各下采样模块均包括依次连接的卷积层、批归一层和激活层；

所述重建器包括依次连接的第一上采样模块、第二上采样模块、第三上采样模块和输出预测块；

其中各所述上采样模块包括依次连接的转置卷积层、批归一化层和激活层，所述输出预测块包括依次连接的卷积层、激活层和二值化处理。

5.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：所述利用有标签训练集对第一分割网络进行全监督训练，得到训练好的第一分割网络，包括：训练之前，统计有标签训练集中分别属于背景、角质层、汗腺和活表皮连接层的像素数量，并针对背景、角质层、汗腺和活表皮连接层中任一类别设置初始权重，进而得到各类别的初始权重，且初始权重作为第一轮训练过程的各类别的权重；

一轮训练过程中：

采用有标签训练集对第一分割网络进行前向传播，得到有标签训练集中各样本对应的四种类别的第一预测分割图像；

对当前轮次各类别的权重进行第一归一化；

基于四种类别的第一预测分割图像、真实分割图像和当前轮次四种类别第一归一化后的权重计算第一损失函数，通过反向传播更新第一分割网络的参数；

采用验证集评估第一分割网络的性能，且评估过程中利用验证集分别计算四种类别的第一Dice系数；

根据各类别的第一Dice系数计算各类别的第一建议权重，并根据各类别的第一建议权重对当前轮次各类别第一归一化后的权重进行更新，且更新后的各类别权重作为下一轮训练过程中各类别的权重；

进入下一轮训练，不断循环，直至各类别的第一Dice系数收敛，得到训练好的第一分割网络。

6.如权利要求5所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：第一步和第二步交替执行时，每依次执行一次第一步和第二步称为一回合，对于每一回合：第一步，将无标签训练集中的各样本分别输入至第二分割网络和训练好的第一分割网络的提取器，得到两个第二中间特征；

使用第二损失函数计算两个第二中间特征的差异，并反向传播更新第二分割网络中提取器参数；

第二步，将有标签训练集对第二分割网络进行前向传播，得到有标签训练集中各样本对应四种类别的第二预测分割图像；

对当前回合各类别的权重进行第二归一化，且第一回合各类别的权重采用初始权重；

基于四种类别的第二预测分割图像、真实分割图像和当前回合四种类别第二归一化后的权重计算第三损失函数，并反向传播更新第二分割网络的参数；

采用验证集评估第二分割网络的性能，且评估过程中利用验证集分别计算四种类别的第二Dice系数；

根据各类别的第二Dice系数计算各类别的第二建议权重，并根据各类别的第二建议权重对当前回合各类别第二归一化后的权重进行更新，且更新后的各类别权重作为下一回合中各类别的权重；

进入下一回合，不断循环，直至第二损失函数和各类别的第二Dice系数均收敛，得到训练好的第二分割网络。

7.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：对待检测指纹的OCT图像进行预设ROI图像提取时，采用宽度为 的滑动窗口对待检测指纹的OCT图像中亮度最高的 行的中心区域进行截取，得到尺寸为 的预设ROI图像，并分别作为训练好的第一分割网络和第二分割网络的输入。

8.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：所述计算防伪分数时，首先计算两个第一中间特征之间的余弦距离，并进行第三归一化，得到中间特征相似得分；

然后计算两个第一分割结果中两个角质层的分割图像之间、两个汗腺的分割图像之间和两个活表皮连接层的分割图像之间的第三Dice系数，得到三个第三Dice系数，并对三个第三Dice系数进行第四归一化，得到分割相似得分；

对中间特征相似得分和分割相似得分进行相乘，得到防伪分数。

9.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：所述基于防伪分数判断待检测的OCT图像是否来自真实手指，包括：将防伪分数与预设值进行比较，当小于预设值时，则待检测的OCT图像来自真实手指，否则，待检测的OCT图像不是来自真实手指。

10.如权利要求1所述的基于生理结构一致性的OCT指纹防伪方法，其特征在于：第一损失函数和第三损失函数均采用动态加权交叉熵损失函数，第二损失函数采用余弦距离损失和L1距离损失。