1.一种基于全卷积神经网络的指纹汗孔提取方法，其特征在于，包括如下步骤：

1)获取分辨率为1200dpi的高清指纹图像，对每幅指纹图像中的汗孔区域位置和脊线区域位置进行手工标注，得到与指纹图像对应的标注图片，并对标注好的指纹图像进行预处理和数据增广，构成全卷积神经网络模型训练所需的图片和标注数据集；

2)构建全卷积神经网络模型，设定初始参数和损失函数，使用标注好的数据集训练全卷积神经网络的模型，得到训练好的全卷积神经网络模型；

3)通过训练好的全卷积神经网络模型预测测试指纹图片汗孔和脊线的初步区域概率；

4)利用汗孔的特性从初步的汗孔区域中去除伪汗孔区域，得到真正的汗孔区域及中心坐标。

2.根据权利要求1所述的基于全卷积网络的指纹汗孔提取方法，其特征在于，所述步骤

1)中，指纹图像增广过程中包括如下步骤：

(11)将指纹图像分别顺时针旋转90度，180度，270度得到新的指纹图片；

(12)将指纹图像裁剪为原图1/4大小的四张子图片，再将每张图片面积放大4倍扩充到原图大小；

(13)对指纹图像进行归一化操作，归一化操作形式如下：

其中I代表指纹图像，m和n代表指纹图像矩阵的行值和列值，min(I)和max(I)代表指纹图像矩阵中像素的最小值和最大值。I*代表归一化后的指纹图像。

3.根据权利要求1或2所述的基于全卷积网络的指纹汗孔提取方法，其特征在于，所述步骤2)包括如下步骤：(21)构建一个全卷积神经网络模型，整个全卷积神经网络包括五个部分，第一部分和第二部分分别由两个卷积层和一个池化层组成，第三部分由两个卷积层组成，第四部分由一个上采样层和两个卷积层组成，第五部分由一个上采样层和三个卷积层组成；

(22)确定全卷积神经网络的参数，将训练集中的图片以32张图片为一个批次载入全卷积神经网络模型进行训练，迭代次数为100次。

4.根据权利要求3所述的基于全卷积网络的指纹汗孔提取方法，其特征在于，所述步骤(22)中，所述计算各网络层的参数更新采用带有动量项的批量随机梯度下降算法mini-batch-SGD，其中动量项的值为0.2。

5.根据权利要求3所述的基于全卷积网络的指纹汗孔提取方法，其特征在于，步骤(22)中使用基于softmax的交叉熵损失函数，softmax交叉熵损失函数形式如下：上式中，ak(x)代表在x点上第k类的输出值， 代表在x点上所有类的输出值之和，pk(x)代表在x点上第k类的概率；

交叉熵损失函数形式如下：

其中w(x)代表模型的权重参数，l(x)代表x点的真实类别，pl(x)(x)代表x点该真实类别的概率，E代表交叉熵函数的损失值。

6.根据权利要求1所述的基于全卷积网络的训练方法，其特征在于，所述步骤(3)包括如下步骤：(31)将新的指纹图片以图片1/4大小的窗口进行滑窗提取操作，得到一系列子图片，将子图片经过放大后输入到训练好的全卷积神经网络中，输出汗孔像素概率图P和脊线像素概率图J,其中P中的每一个像素点的取值范围为0～1，代表了该像素点是否为汗孔的概率，J中的每一个像素点的取值范围为0～1，代表了该像素点是否为脊线的概率；

(32)确定阈值thr＝0.3来对汗孔像素概率图和脊线像素概率图进行二值化操作，形式如下：其中M为二值化后的初步汗孔区域图，N为二值化后的初步脊线区域图。

7.根据权利要求1或2所述的基于全卷积网络的指纹汗孔提取方法，其特征在于，所述步骤4)的过程如下：去除初步汗孔区域图M中的大于30像素和小于3像素的汗孔区域，以及去除初步汗孔区域图M中不在初步脊线区域图N上的汗孔区域，得到最终汗孔区域以及每个汗孔的中心坐标，最后将每个子图片得到的汗孔中心坐标映射到原指纹图片中，得到待测指纹图的汗孔区域和中心坐标。