1.一種離線身份認(rèn)證的方法，其特征在于，包括：
獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；
提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；
根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；
將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多元圖像組為三元圖像組，具體包括身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述SVM分類器由以下步驟預(yù)先完成訓(xùn)練：
預(yù)先獲取作為樣本的身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，構(gòu)成訓(xùn)練集的三元樣本組，所述訓(xùn)練集中的三元樣本組分為數(shù)量比例適當(dāng)?shù)恼龢颖竞拓?fù)樣本；
提取所述三元樣本組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的樣本特征向量；
根據(jù)所述樣本特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述三元樣本組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的樣本融合向量；
將所述樣本融合向量送入所述SVM分類器中進(jìn)行訓(xùn)練，得到完成訓(xùn)練的SVM分類器。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，提取所述待認(rèn)證的三元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量具體包括：
將所述待認(rèn)證的三元圖像組中每個(gè)圖像投入預(yù)訓(xùn)練完成的深度卷積神經(jīng)網(wǎng)絡(luò)；
從所述深度卷積神經(jīng)網(wǎng)絡(luò)的卷積組中抽取N個(gè)中間子層的卷積輸出作為級(jí)聯(lián)層，并依次逐級(jí)對(duì)得到的級(jí)聯(lián)層作PCA變換，最后輸出對(duì)應(yīng)的特征向量，N≥2。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述深度卷積神經(jīng)網(wǎng)絡(luò)包括五個(gè)卷積組和兩個(gè)全連接層，每個(gè)所述卷積組包括兩個(gè)卷積子層和一個(gè)池化層；從所述深度卷積神經(jīng)網(wǎng)絡(luò)中抽取N個(gè)中間子層的卷積輸出作為級(jí)聯(lián)層，并依次逐級(jí)對(duì)得到的級(jí)聯(lián)層作PCA變換，最后輸出對(duì)應(yīng)的特征向量具體包括：
提取第四個(gè)卷積組的池化層輸出，將所有輸出值串成一個(gè)第一向量；
對(duì)所述第一向量進(jìn)行PCA變換，保留第一數(shù)量個(gè)主成分分量得到第一插入向量；
提取第五個(gè)卷積組的池化層輸出，將所有輸出值串成一個(gè)第二向量，并將所述第一插入向量插入到所述第二向量的頭部；
對(duì)插入后的所述第二向量進(jìn)行PCA變換，保留第二數(shù)量個(gè)主成分分量得到第二插入向量；
提取第二個(gè)全連接層的輸出為第三向量，并將所述第二插入向量插入到所述第三向量的頭部；
對(duì)插入后的所述第三向量進(jìn)行PCA變換，保留第三數(shù)量個(gè)主成分分量得到對(duì)應(yīng)的所述特征向量。
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的三元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量具體包括：
計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)；
計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)；
根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)，預(yù)設(shè)的所述決策權(quán)重與所述待認(rèn)證的三元圖像組中每?jī)筛眻D像一一對(duì)應(yīng)；
將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)具體包括：
將三個(gè)匹配支的預(yù)設(shè)決策權(quán)重的比值轉(zhuǎn)換成整數(shù)比后，再歸一化到0～7的范圍內(nèi)，三個(gè)所述匹配支分別為芯片圖像與表面圖像、芯片圖像與現(xiàn)場(chǎng)人臉圖像、以及表面圖像與現(xiàn)場(chǎng)人臉圖像；
將歸一化后的所述匹配支對(duì)應(yīng)的決策權(quán)重的比值進(jìn)行二進(jìn)制編碼轉(zhuǎn)換，得到對(duì)應(yīng)的初步編碼；
將所述差值信號(hào)對(duì)應(yīng)的最高位編碼插入所述初步編碼中，得到對(duì)應(yīng)的權(quán)值信號(hào)；
其中，若所述差值信號(hào)大于0，其對(duì)應(yīng)的最高位編碼為1，反之，其對(duì)應(yīng)的最高位編碼為0。
8.一種離線身份認(rèn)證的裝置，其特征在于，包括：
多元圖像獲取模塊，用于獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；
卷積特征提取模塊，用于提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；
分?jǐn)?shù)融合模塊，用于根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；
認(rèn)證判決模塊，用于將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述多元圖像組為三元圖像組，具體包括身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述分?jǐn)?shù)融合模塊包括：
匹配分?jǐn)?shù)計(jì)算單元，用于計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)；
差值信號(hào)計(jì)算單元，用于計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)；
權(quán)值信號(hào)計(jì)算單元，用于根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)，預(yù)設(shè)的所述決策權(quán)重與所述待認(rèn)證的三元圖像組中每?jī)筛眻D像一一對(duì)應(yīng)；
融合向量合成單元，用于將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量。