1.一种基于深度学习的指纹脊线距离估计方法,其特征在于,包括:将已标注过脊线距离的训练指纹图像截取为多个标注图像块,以两个标注位点距离相近、且包含各自的脊线距离标注值的标注图像块为一组,构建训练数据集;构建基于轻量级卷积神经网络的指纹脊线距离估计模型,按分组将标注图像块成对输入到两个指纹脊线距离估计模型,同组两个标注图像块的结构相似性损失促进两个模型相互学习,对模型进行分布式训练,当模型性能收敛时,停止训练,并选取两个模型中性能表现最好的模型为最终的指纹脊线距离估计模型;将待估计的指纹图像截取为多个图像块,并将单个图像块输入最终的指纹脊线距离估计模型中,基于预测的单个图像块样本的脊线距离估计值,计算指纹图像的指纹脊线距离。2.如权利要求1所述的一种基于深度学习的指纹脊线距离估计方法,其特征在于,由专家手工进行脊线距离标注,以标注位点位置为中心,截取64×64邻域图像块;要求组内标注位点位置相近,而组间标注位点则是选择不同指纹区域。3.如权利要求1所述的一种基于深度学习的指纹脊线距离估计方法,其特征在于,所述指纹脊线距离估计模型,由卷积层、池化层和全连接层组成;将指纹图像块频域中的径向能量图谱输入全连接层中,与从图像块中提取的特征图进行连接,得到图像块的特征向量。4.如权利要求3所述的一种基于深度学习的指纹脊线距离估计方法,其特征在于,特征向量通过数值解码器解码为指纹脊线距离;指纹脊线距离通过数值编码器编码为特征向量。5.如权利要求4所述的一种基于深度学习的指纹脊线距离估计方法,其特征在于,在单个模型的训练中,将图像块对应的脊线距离值经过数值编码器编码后的目标特征向量,与模型输出的特征向量进行均方误差计算损失,来训练优化模型。6.如权利要求1所述的一种基于深度学习的指纹脊线距离估计方法,其特征在于,所述同组两个标注图像块的结构相似性,是组内图像块标注位点相近,组内两图像块的脊线结构信息相似且脊线距离值相近。7.如权利要求1所述的一种基于深度学习的指纹脊线距离估计方法,其特征在于,加权计算多个图像块的脊线距离估计值,得到指纹图像的指纹脊线距离。8.一种基于深度学习的指纹脊线距离估计系统,其特征在于,包括数据构建模块、模型训练模块和距离预测模块:数据构建模块,被配置为:将已标注过脊线距离的训练指纹图像截取为多个标注图像块,以两个标注位点距离相近、且包含各自的脊线距离标注值的标注图像块为一组,构建训练数据集;模型训练模块,被配置为:构建基于轻量级卷积神经网络的指纹脊线距离估计模型,按分组将标注图像块成对输入到两个指纹脊线距离估计模型,同组两个标注图像块的结构相似性损失促进两个模型相互学习,对模型进行分布式训练,当模型性能收敛时,停止训练,并选取两个模型中性能表现最好的模型为最终的指纹脊线距离估计模型;距离预测模块,被配置为:将待估计的指纹图像截取为多个图像块,并将单个图像块输入最终的指纹脊线距离估计模型中,基于预测的单个图像块样本的脊线距离估计值,计算指纹图像的指纹脊线距离。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1‑7任一项所述的一种基于深度学习的指纹脊线距离估计方法中的步骤。10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1‑7任一项所述的一种基于深度学习的指纹脊线距离估计方法中的步骤。