本申请涉及计算机视觉，更为具体地说，涉及一种用于生物特征识别的神经网络的训练方法和生物特征识别方法。
背景技术：
1、生物特征识别是计算机视觉的关键组成部分，近年来由于其在身份验证和安全应用中的重要性而受到了越来越多的关注。然而，现有的研究主要集中在理想数据集环境下的生物特征识别性能，常常忽视了在实际部署场景中实施生物特征识别算法所面临的挑战。在这些实际情况中，边缘设备之间的光强和分辨率的变化可能会严重阻碍对生物特征的准确解读。目前的生物特征识别方法主要涉及依赖高质量输入图像的2d方法。这类基于2d的方法主要分为以下三类。
2、基于静脉图案的生物特征识别方法：这种方法主要是通过对静脉进行识别，属一种生物特征识别方法，该方法分析个体体内的独特静脉图案，如手掌、手指或视网膜静脉。由于静脉图案的独特性，这种方法提供了高度的安全性，且不易受到欺诈或盗窃的影响。静脉图案识别是一种非侵入性的生物特征识别方法，比其他生物特征识别方法更卫生，因为它不需要物理接触。
3、基于面部识别的生物特征识别方法。该方法主要通过高清摄像头捕捉行人的面部图像，然后利用面部识别算法进行身份识别。面部识别算法通常包括面部检测、面部对齐、特征提取和匹配等步骤。该方法的优点在于准确性高，因为每个人的面部特征都是独一无二的。然而，该方法的效果可能受到光照、角度、表情变化等因素的影响，因此需要采取一定的预处理和增强算法来提高识别的稳定性和准确性。
4、基于行走姿态的生物特征识别方法。该方法主要通过分析行人的行走姿态来进行身份识别。行走姿态识别通常包括步态周期检测、步态特征提取和步态模式识别等步骤。由于每个人的行走姿态都有其独特性，因此该方法也具有一定的准确性。然而，该方法需要大量的数据进行训练，并且在行人行走姿态发生变化(如疲劳、受伤等)时，识别准确性可能会下降。
5、尽管最先进的生物特征识别方法通常在各种开源数据集上取得高性能，但在实际部署时，其准确性会大幅下降。然而，在算法实际部署中，边缘采集设备会受到光强和相机分辨率变化的干扰，导致难以获取到高质量的生物特征信息。这种性能下降可以归因于诸如不同设备分辨率、采集场景等因素，这些因素使得跨设备匹配生物特征变得复杂，以及由于不同设备位置导致的光照条件变化。并进一步地，对识别精度产生负面影响。因此，以前的生物特征识别方法在实际部署场景中表现出限制。因此，需要一种改进的生物特征识别方案。
技术实现思路
1、本申请实施例提供了一种用于生物特征识别的神经网络的训练方法和生物特征识别方法，其通过基于子图融合数据增强克服生物特征识别场景中复杂噪声干扰对识别精度的影响和构建用于生物特征识别任务的一致特征提取网络，提升了生物特征识别的准确性和稳定性。
2、根据本申请的一方面，提供了一种用于生物特征识别的神经网络的训练方法，包括：获取用于所述神经网络的训练的训练图像，所述训练图像包括原始图像和基于原始图像改变分辨率、光照强度和遮挡情况中的至少其中之一而得到的增强图像；将所述训练图像中的每个划分为多个子图，并将来自具有不同分辨率、不同光照强度和不同遮挡情况中的至少其中之一的所述增强图像的子图与所述原始图像的子图拼接后输入所述神经网络；经由所述神经网络的卷积神经网络部分提取所述输入图像的各个子图的局部图像特征；将所述各个子图的局部图像特征经由相对位置编码后输入转换器网络部分以获得所述输入图像的全局图像特征；以及，通过基于所述输入图像的全局图像特征的损失函数进行反向传播以训练所述神经网络。
3、在上述用于生物特征识别的神经网络的训练方法中，所述神经网络的卷积神经网络部分对于所述输入图像的各个子图，采用并行处理机制来进行特征提取。
4、在上述用于生物特征识别的神经网络的训练方法中，所述相对位置编码定义为：
5、
6、其中，是位置嵌入向量，t表示各个子图的序列号，k表示输入的子图像图像序列的奇偶属性，α是超参数，st-1表示从卷积神经网络部分得到的前一次迭代的输出。
7、在上述用于生物特征识别的神经网络的训练方法中，ωk为：
8、
9、其中，d是所述位置嵌入向量的长度
10、根据本申请的另一方面，提供了一种生物特征识别方法，包括：获取待识别图像；以及。将所述待识别图像输入以如上所述的用于生物特征识别的神经网络的训练方法训练的用于生物特征识别的神经网络以获得识别结果。
11、根据本申请的再一方面，提供了一种用于生物特征识别的神经网络的训练装置，包括：图像获取单元，用于获取用于所述神经网络的训练的训练图像，所述训练图像包括原始图像和基于原始图像改变分辨率、光照强度和遮挡情况中的至少其中之一而得到的增强图像；图像拼接单元，用于将所述训练图像中的每个划分为多个子图，并将来自具有不同分辨率、不同光照强度和不同遮挡情况中的至少其中之一的所述增强图像的子图与所述原始图像的子图拼接后输入所述神经网络；卷积网络单元，用于经由所述神经网络的卷积神经网络部分提取所述输入图像的各个子图的局部图像特征；转换器网络单元，用于将所述各个子图的局部图像特征经由相对位置编码后输入转换器网络部分以获得所述输入图像的全局图像特征；以及，网络训练单元，用于通过基于所述输入图像的全局图像特征的损失函数进行反向传播以训练所述神经网络。
12、在上述用于生物特征识别的神经网络的训练装置中，所述卷积网络装置对于所述输入图像的各个子图，采用并行处理机制来进行特征提取。
13、在上述用于生物特征识别的神经网络的训练装置中，所述相对位置编码定义为：
14、
15、其中，是位置嵌入向量，t表示各个子图的序列号，k表示输入的子图像图像序列的奇偶属性，α是超参数，st-1表示从卷积神经网络部分得到的前一次迭代的输出。
16、在上述用于生物特征识别的神经网络的训练装置中，ωk为：
17、
18、其中，d是所述位置嵌入向量的长度。
19、根据本申请的又一方面，提供了一种生物特征识别装置，包括：图像输入单元，用于获取待识别图像；以及，特征识别单元，用于将所述待识别图像输入以如上所述的用于生物特征识别的神经网络的训练装置训练的用于生物特征识别的神经网络以获得识别结果。
20、根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于生物特征识别的神经网络的训练方法和如上所述的生物特征识别方法。
21、本申请实施例提供的用于生物特征识别的神经网络的训练方法和生物特征识别方法，其通过基于子图融合数据增强克服生物特征识别场景中复杂噪声干扰对识别精度的影响和构建用于生物特征识别任务的一致特征提取网络，提升了生物特征识别的准确性和稳定性。
1.一种用于生物特征识别的神经网络的训练方法，包括：
2.如权利要求1所述的用于生物特征识别的神经网络的训练方法，其中，所述神经网络的卷积神经网络部分对于所述输入图像的各个子图，采用并行处理机制来进行特征提取。
3.如权利要求2所述的用于生物特征识别的神经网络的训练方法，其中，所述相对位置编码定义为：
4.如权利要求3所述的用于生物特征识别的神经网络的训练方法，其中，ωk为：
5.一种生物特征识别方法，包括：
6.一种用于生物特征识别的神经网络的训练装置，包括：
7.如权利要求6所述的用于生物特征识别的神经网络的训练装置，其中，所述卷积网络装置对于所述输入图像的各个子图，采用并行处理机制来进行特征提取。
8.如权利要求7所述的用于生物特征识别的神经网络的训练方法，其中，所述相对位置编码定义为：
9.一种生物特征识别装置，包括：
10.一种电子设备，包括：
