在大规模掌纹识别场景中，传统高维实值掌纹特征虽识别精度优异，但存在存储开销大、匹配计算成本高的问题；现有使用码本的深度哈希方法多采用随机分配或正交矩阵生成哈希中心，难以有效约束类间距离，导致短长度哈希码的识别性能大幅下降。针对这一痛点，本文提出融合 BCH 纠错编码与残差哈希映射网络的深度哈希掌纹识别框架，实现了最小类间距离可控的高效掌纹哈希识别。
图1 最小类间距离可控的深度哈希掌纹识别框架图
核心创新
1.基于 BCH 码设计可控哈希中心
引入 BCH 纠错编码，生成每类掌纹对应的二进制标签，通过灵活设置码长、信息位与纠错能力，人为设定并保障类别标签间的最小汉明距离，从根源上保证哈希空间内不同身份样本的可分性。相比随机、哈达玛矩阵构造哈希中心的方式，本文的稳定性与扩展性更强。
2.解耦式双阶段训练策略
将特征提取网络与哈希映射网络分开训练，先训练主干网络，完成掌纹特征提取并冻结参数，再利用固定特征训练残差哈希网络。该方式避免表征学习与哈希约束相互干扰，优化过程更平稳。
3.简化损失函数，优化收敛效果
摒弃易出现梯度震荡的对比损失，仅采用 L2 损失最小化类内距离。依托 BCH 码预先固定的类间距离约束，单目标损失函数有效解决了既要缩小类内距离又要扩大类间距离的梯度冲突问题，提升了训练收敛稳定性。
网络整体架构
整个框架由三部分构成：高鉴别性掌纹特征提取主干网络、基于 BCH 算法的哈希中心生成器、残差哈希映射网络。
首先由预训练主干网络提取高维掌纹特征，再送入残差哈希网络完成维度压缩，最终通过符号函数二值化得到二进制哈希码，全程实现高维特征向低维哈希码的高效转换。
实验结果
在 PolyU、Tongji、IITD、MS四大公开掌纹数据集上开展验证。63 比特短长度哈希码在部分数据集上的等错误率(EER)可低至 0%；255比特哈希码的d’指数在除IITD以外的数据集上的测试结果甚至优于原始高维实值特征。
相比传统编码类方法、主流深度哈希算法，本框架在大幅缩减特征模板尺寸、降低匹配耗时的同时，识别精度仍保持领先。
消融实验证明，BCH 码构建的码本在接触式、非接触式掌纹数据上均优于随机码本和哈达玛码本。
论文信息
相关论文已发表于IEEE Transactions on Multimedia(TMM) 2026，作者为南昌航空大学的廖政荣、冷璐(通讯作者)教授、刘云龙、储珺教授，南昌大学的闵卫东教授，韩国延世大学的ABJ Teoh教授以及澳门大学的Bob Zhang副教授。
Z. Liao, L. Leng, Y. Liu, J. Chu, D. Min, A. B. J. Teoh, B. Zhang, "Deep Hashing Palmprint Recognition Framework with Controllable Minimum Inter-Class Distance," IEEE Transactions on Multimedia.
论文链接：https://doi.org/10.1109/TMM.2026.3701557
供稿：廖政荣
义务编辑与校对：薛禹良博士
