1.一种基于卷积神经网络的手指静脉识别方法，其特征在于，该方法包括以下步骤：

S1、采集原始注册的手指静脉图像；

S2、将原始注册的所述手指静脉图像进行处理，由所述手指静脉图像中提取手指静脉感兴趣区域图像；

S3、通过卷积神经网络提取所述手指静脉感兴趣区域中的手指静脉深度特征，并经过概率支持向量机得到手指静脉特征图像，具体方法如下：S3-1、选取所述手指静脉感兴趣区域作为训练图像，在所述训练图像的清晰区域中标注背景像素点和静脉像素点，同时分别以所述背景像素点和所述静脉像素点为中心划分为若干背景子块和静脉子块，并分别对所述背景子块和所述静脉子块标注标签，若干标注有标签的所述背景子块和所述静脉子块组成训练样本集合；

S3-2、将所述训练样本集合输入至所述卷积神经网络中进行分类模型的训练，所述卷积神经网络对应每个标注有标签的所述背景子块和所述静脉子块均输出一个深度特征向量，若干所述深度特征向量组成深度特征向量集合；

S3-3、将步骤S3-2中组成的所述深度特征向量集合通过概率支持向量机进行分类计算若干所述深度特征向量属于手指静脉特征的概率值；

S3-4、将步骤S3-3中得到的所述概率值显示在一个矩阵中得到增强的手指静脉特征图像；

S3-5、对步骤S3-4中得到的所述手指静脉特征图像进行二值化处理即得到手指静脉网络结构；

S4、采集待识别的所述手指静脉图像，依次经过步骤S2、步骤S3的处理，同时根据所述手指静脉特征图像进行匹配和认证：S4-1、将待识别的所述手指静脉图像首先经过S2处理得到待识别的手指静脉感兴趣区域图像，然后以每个像素点为中心，将待识别的手指静脉感兴趣区域图像经过步骤S3-1处理分为若干个子块，然后经过步骤S3-2、S3-3、S3-4和S3-5处理得到待识别的手指静脉特征图像；

S4-2、将原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像进行延伸得到模板图像，将待识别的所述手指静脉特征图像在所述模板图像上沿水平或垂直方向平移，并计算不同位置时两幅所述手指静脉特征图像中手指静脉特征的重合度；

S4-3、选取所有位置上对应的最大重合度作为两幅所述手指静脉特征图像的匹配分数，若所述匹配分数小于预设的阈值，则认证失败，反之，则认证成功。

2.如权利要求1所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S2中，所述手指静脉感兴趣区域的提取方法包括以下步骤：S2-1、对所述手指静脉图像的边缘进行检测得到手指边缘图像，同时将所述手指静脉图像进行二值化处理得到二值图像，然后将所述二值图像减去所述手指边缘图像即得到差值图像；

S2-2、通过预设的阈值将所述差值图像中剔除面积较小的噪声和背景区域，即得到仅含有手指区域的二值图像；

S2-3、对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理并进行相乘后得到所述手指静脉感兴趣区域图像。

3.如权利要求2所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S2-3中，对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理的方法包括以下步骤：①旋转方向的纠正：计算所述差值图像的p+q阶距mpq及重心 和

其p+q阶中心距upq的计算如下

通过上面等式计算矩u11、u12和u22，然后下面的公式计算旋转角度θ：

利用计算得到的所述旋转角度θ对原始的所述手指静脉图像和仅含有手指区域的二值图像进行纠正；

②平移方向的纠正：计算所述差值图像的中心距u00，u10和u01，并利用中心距u00，u10和u01计算出其水平方向和竖直方向的偏移量Vx＝u10/u00和Vy＝u01/u00，利用计算得到的所述偏移量对步骤①中纠正后的原始的所述手指静脉图像和仅含有手指区域的二值图像在水平和垂直方向进行归一化处理；

③计算平移和旋转后的所述手指静脉感兴趣区域图像：将经过步骤①和步骤②纠正后的原始的所述手指静脉图像和仅含有手指区域的二值图像进行相乘得到仅含有手指区域的灰度图像，即为所述手指静脉感兴趣区域图像。

4.如权利要求1所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S3-3中，所述概率支持向量机通过以下公式计算所述深度特征向量集合内若干所述深度特征向量属于手指静脉特征的概率值P，

其中,ξ(v)表示概率支持向量机的输出值，ω和γ表示概率支持向量机训练得到的两个参数。

5.如权利要求1所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S3中所述的卷积神经网络由依次配合使用的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全链接层和输出层组成。

6.如权利要求5所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，所述第一卷积层、第二卷积层中，第l层的特征图像 按照如下公式计算：

其中， 是第l层的输入谱， 是第m个输入和n个输出特征谱之间的卷积核，*是卷积操作,Ml-1是输入特征谱的数量, 是第n个输出谱的偏移。

7.如权利要求2所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S4-2中，通过以下公式计算两幅所述手指静脉特征图像的匹配分数N(T,R)，

其中，

若匹配分数N(T,R)小于预设的阈值，则认证失败；反之，则认证成功；其中，R为原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像，T为待识别的所述手指静脉图像经过处理得到的所述手指静脉特征图像，为模板图像，m为原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像的宽度，n为原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像的高度，w为两幅所述手指静脉特征图像在水平方向移动的距离，h为两幅所述手指静脉特征图像在垂直方向移动的距离。

8.一种基于卷积神经网络的手指静脉识别系统，其特征在于，包括数据库(1)和与所述数据库(1)相通讯的采集模块(2)、区域提取模块(3)、手指静脉特征提取模块(4)、识别模块(5)，所述采集模块(2)用于采集原始注册的手指静脉图像和待识别的所述手指静脉图像；

所述区域提取模块(3)用于将所述手指静脉图像中提取手指静脉感兴趣区域图像；所述手指静脉特征提取模块(4)通过卷积神经网络提取所述手指静脉感兴趣区域中的手指静脉特征，并得到手指静脉特征图像；所述识别模块(5)用于根据所述手指静脉特征图像，对待识别的所述手指静脉图像进行匹配和认证；

所述手指静脉特征提取模块(4)包括子块标记模块(41)、训练样本集合建立模块(42)、卷积神经网络训练模块(43)、深度特征向量集合建立模块(44)、概率支持向量机训练模块(45)，所述子块标记模块(41)用于将所述背景像素点和所述静脉像素点为中心划分为若干背景子块和静脉子块，同时分别对所述背景子块和所述静脉子块标注标签，并发送至所述训练样本集合建立模块(42)；所述训练样本集合建立模块(42)用于将若干标注有标签的所述背景子块和所述静脉子块组成训练样本集合，同时将所述训练样本集合发送至所述卷积神经网络训练模块(43)；所述卷积神经网络训练模块(43)包括相通讯的第一接收单元(431)、第一训练单元(432)和第一输出单元(433)，所述第一接收单元(431)用于接收所述训练样本集合，所述第一训练单元(432)用于根据所述训练样本集合对卷积神经网络进行训练，所述第一输出单元(433)用于对应每个标注有标签的所述背景子块和所述静脉子块均输出一个深度特征向量，并发送至所述深度特征向量集合建立模块(44)；

所述深度特征向量集合建立模块(44)用于将若干所述深度特征向量组成深度特征向量集合并发送至所述概率支持向量机训练模块(45)；所述概率支持向量机训练模块(45)包括相通讯的第二接收单元(451)、第二训练单元(452)、概率输出单元(453)和图像处理单元(454)，所述第二接收单元(451)用于接收所述深度特征向量集合，所述第二训练单元(452)用于根据所述深度特征向量集合对概率支持向量机进行训练，所述概率输出单元(453)通过概率支持向量机进行分类用于对应每个标注有标签的所述深度特征向量集合输出一个特征向量值，并用于计算若干所述特征向量值属于手指静脉特征的概率值，若干所述概率值显示在一个矩阵中形成一幅增强的手指静脉特征图像，所述图像处理单元(454)用于将所述手指静脉特征图像进行二值化处理即得到手指静脉的网络结构；

所述识别模块(5)包括相通讯的模板建立单元(51)、匹配分数计算单元(52)和识别单元(53)，所述模板建立单元(51)用于将原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像进行延伸得到模板图像；所述匹配分数计算单元(52)用于将待识别的所述手指静脉图像经过处理得到的所述手指静脉特征图像在所述模板图像上沿水平或垂直方向平移，并计算两幅所述手指静脉特征图像中手指静脉特征的匹配分数；所述识别单元(53)用于比较所述匹配分数与预设的阈值的大小，若所述匹配分数小于预设的阈值，则认证失败，反之，则认证成功。

9.如权利要求8所述的一种基于卷积神经网络的手指静脉识别系统，其特征在于，所述区域提取模块(3)包括相通讯的图像预处理单元(31)、手指区域筛选单元(32)和兴趣区域提取单元(33)，所述图像预处理单元(31)用于对所述手指静脉图像的边缘进行检测得到手指边缘图像，同时将所述手指静脉图像进行二值化处理得到二值图像；所述手指区域筛选单元(32)用于将所述二值图像减去所述手指边缘图像即得到差值图像，同时通过预设的阈值将所述差值图像中剔除面积较小的噪声和背景区域，即得到仅含有手指区域的二值图像；所述兴趣区域提取单元(33)用于对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理并进行相乘后得到所述手指静脉感兴趣区域图像。