1.一种静脉识别模型的训练方法，其特征在于，所述训练方法包括：获取训练图像集；其中，所述训练图像集中包括多个类型的训练图像子集；且所述训练图像集中的每个训练图像中包含静脉信息的标签；所述标签用于表征每个所述训练图像中静脉信息对应的真实身份类型；

将任一类型的训练图像子集中的任一第一训练图像输入静脉特征预测分类器，确定第一训练图像对应的第一高维静脉特征以及所述第一训练图像中标签的预测分布，并根据所述预测分布确定对应的初始身份类型概率；

将其他类型的多个训练图像子集中的任一第二训练图像输入静脉特征提取模型，获取多个第二高维静脉特征；

将所述第一高维静脉特征与多个所述第二高维静脉特征输入图神经网络，确定所述第一训练图像中标签的第一分布；

根据所述标签的第一分布与所述第一训练图像的标签，确定所述第一训练图像中标签的目标分布，并基于所述标签的目标分布以及所述标签的预测分布，确定静脉识别模型。

2.根据权利要求1所述的训练方法，其特征在于，通过以下方式根据所述标签的第一分布与所述第一训练图像的标签，确定所述第一训练图像中标签的目标分布：将标签的第一分布与第一训练图像的标签进行加权融合，确定所述第一训练图像中标签的目标分布。

3.根据权利要求1所述的训练方法，其特征在于，通过以下方式获取训练图像集：获取初始训练图像集；

针对所述初始训练图像集中的每个初始训练图像进行二值化和边缘化处理，确定每个所述初始训练图像对应的感兴趣图像；

针对每个所述感兴趣图像和每个所述初始训练图像均进行旋转量和平移量的优化，确定训练图像集。

4.根据权利要求1所述的训练方法，其特征在于，通过以下方式获取静脉特征预测分类器：

获取多个样本图像和每个所述样本图像中的样本静脉信息的标签；所述标签用于表征每个所述样本图像中所述样本静脉信息对应的真实样本身份类型；

将每个所述样本图像中的所述样本静脉信息的图像输入初始分类网络，得到每个所述样本图像中的所述样本静脉信息对应的预测样本身份类型；

当每个所述样本静脉信息对应的所述真实样本身份类型与所述样本静脉信息对应的所述预测样本身份类型之间的损失值小于预设阈值，训练截止，获取静脉特征预测分类器。

5.根据权利要求1或2所述的训练方法，其特征在于，所述基于所述标签的目标分布以及所述标签的预测分布，确定静脉识别模型，包括：确定标签的目标分布与标签的预测分布之间的损失值；

当所述标签的目标分布与所述标签的预测分布之间的损失值小于预设阈值，训练截止，确定静脉识别模型。

6.一种静脉图像的识别方法，其特征在于，使用如权利要求1‑5任一所述的训练方法，所述识别方法包括：

获取待识别图像；

基于所述静脉识别模型，确定所述待识别图像中静脉信息对应的身份类型概率；

基于所述身份类型概率，确定最终身份类型。

7.一种静脉识别模型的训练装置，其特征在于，所述训练装置包括：第一获取模块，用于获取训练图像集；其中，所述训练图像集中包括多个类型的训练图像子集；且所述训练图像集中的每个训练图像中包含静脉信息的标签；所述标签用于表征每个所述训练图像中静脉信息对应的真实身份类型；

第一确定模块，用于将任一类型的训练图像子集中的任一第一训练图像输入静脉特征预测分类器，确定第一训练图像对应的第一高维静脉特征以及所述第一训练图像中标签的预测分布，并根据所述预测分布确定对应的初始身份类型概率；

第二获取模块，将其他类型的多个训练图像子集中的任一第二训练图像输入静脉特征提取模型，获取多个第二高维静脉特征；

第二确定模块，用于将所述第一高维静脉特征与多个所述第二高维静脉特征输入图神经网络，确定所述第一训练图像中标签的第一分布；

第三确定模块，用于根据所述标签的第一分布与所述第一训练图像的标签，确定所述第一训练图像中标签的目标分布，并基于所述标签的目标分布以及所述标签的预测分布，确定静脉识别模型。

8.一种静脉图像的识别装置，其特征在于，所述识别装置包括：第三获取模块，用于获取待识别图像；

第四确定模块，用于基于静脉识别模型，确定所述待识别图像中静脉信息对应的身份类型概率；

第五确定模块，用于基于所述身份类型概率，确定最终身份类型。

9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器运行时执行如上述权利要求1至5中任一所述的训练方法或权利要求6中的所述的识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述权利要求1至5中任一所述的训练方法或权利要求6中的所述的识别方法的步骤。