1.一种基于自编码器的手指静脉防伪鉴别方法，其特征在于，包括：采集手指静脉图像；

基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；

基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；

基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；

获取所述稀疏自编码器的权重和偏置；

基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；

基于所述权重初始化所述BP神经网络；

基于所述标注后的所述真假图像训练所述BP神经网络；

获取所述BP神经网络的隐含层所输出的特征；

将所述隐含层所输出的特征作为输入的所述真假图像的深度特征；

将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；

获取所述随机森林分类器的输出结果；

将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；

基于所述概率判断所述手指静脉图像的真假。

2.根据权利要求1所述的方法，其特征在于，所述的稀疏自编码器满足：将原始数据x＝{x1，x2，…，xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1，y2，…，ym}，即：其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1，z2，…，zn}，z的维度与原始数据x的维度一致，即：其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；

构造代价损失函数J(w，b)；

所述代价损失函数J(w，b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；

首先计算隐含层第i个神经元的平均活跃度：其中，N为样本个数，ρi为编码层的第i个神经元的平均激活度；

其次，令ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；

然后，为了实现上述的限制，需要加入一个惩罚项：KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；

最后构造代价损失函数J(w，b)，其中w＝{w1，w2}，b＝{b1，b2}，其中 为重构误差项， 为正则项，用来防止过拟合， 为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；

通过梯度下降算法优化代价损失函数及参数w，b，k k

其中，x(k)，z(k)为第k个原始数据和重构数据，w ，b 分别表示第k个数据的权重与偏执，α表示学习率。

3.根据权利要求1所述的方法，其特征在于，所述预设softmax分类器的Softmax函数满足：σ(z)＝{σ(z1)，…，σ(zm)}，其中：

zi＝wix+bi，

其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。

4.根据权利要求1所述的方法，其特征在于，所述预设随机森林分类器满足：利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；

从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；

重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；

根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x)，h2(x)，…，hk(x)}，最终的分类决策如下：其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述((hi(x)＝y)为示性函数。

5.一种基于自编码器的手指静脉防伪鉴别系统，其特征在于，包括：图像采集单元，用于采集手指静脉图像；

图像处理单元，用于基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；

第一训练单元，用于基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；

第一构建单元，用于基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；

第一数据获取单元，用于获取所述稀疏自编码器的权重和偏置；

第二构建单元，用于基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；

初始化单元，用于基于所述权重初始化所述BP神经网络；

第二训练单元，用于基于所述标注后的所述真假图像训练所述BP神经网络；

第二数据获取单元，用于获取所述BP神经网络的隐含层所输出的特征；

数据标记单元，用于将所述隐含层所输出的特征作为输入的所述真假图像的深度特征；

第三训练单元，用于将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；

第三数据获取单元，用于获取所述随机森林分类器的输出结果；

概率获取单元，用于将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；

真假识别单元，用于基于所述概率判断所述手指静脉图像的真假。

6.根据权利要求5所述的系统，其特征在于，所述的稀疏自编码器满足：将原始数据x＝{x1，x2，…，xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1，y2，…，ym}，即：其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1，z2，…zn}，z的维度与原始数据x的维度一致，即：其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；

构造代价损失函数J(w，b)；

所述代价损失函数J(w，b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；

首先计算隐含层第i个神经元的平均活跃度：其中，N为样本个数，μ1为编码层的第i个神经元的平均激活度；

其次，令ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；

然后，为了实现上述的限制，需要加入一个惩罚项：KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；

最后构造代价损失函数J(w，b)，其中w＝{w1，w2}，b＝{b1，b2}，其中 为重构误差项， 为正则项，用来防止过拟合， 为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；

通过梯度下降算法优化代价损失函数及参数w，b，k k

其中，x(k)，z(k)为第k个原始数据和重构数据，w ，b 分别表示第k个数据的权重与偏执，α表示学习率。

7.根据权利要求5所述的系统，其特征在于，所述预设softmax分类器的Softmax函数满足：σ(z)＝{σ(z1)，…，σ(zm)}，其中：

zi＝wix+bi，

其中，所述σ(zi)表示数据x属于类别i的概率，所述Zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。

8.根据权利要求5所述的系统，其特征在于，所述预设随机森林分类器满足：利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；

从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；

重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；

根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x)，h2(x)，…，hk(x)}，最终的分类决策如下：其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述I(hi(x)＝y)为示性函数。