1.一种手指静脉模板生成方法，其特征在于，包括以下操作步骤：图像采集：通过红外相机获得相应的手指静脉图像；针对每个个体进行多次采集的到注册图像；

图像分割：由于是对二值静脉模板进行生成和更新的，因此需要对采集的图像进行特征提取得到二值图像；利用目前的深度学习方法对手指静脉特征进行提取；首先，利用阈值法将图像划分为背景区域、模糊区域和目标区域，并利用背景像素点和静脉像素点建立训练集合；然后，建立一个卷积神经网络模型，并利用训练数据对其进行训练；最后，利用训练后模型对静脉特征进行增强，并对增强的图像进行二值化；

生成模板：在手指静脉模板生成过程中，提出了一种基于加权最小二乘法的模板生成方法；为了减少类内变化，将同一类的多个手指模板融合成了一个最优模板，模板生成的主要目的是为了减少类内变化，因此通过最小化类内距离生成一个最优模板；首先，给出了手指静脉最优模板的定义；然后，基于该定义将模板生成问题转换成一个最优化的问题；其次，为了提高算法的性能，计算类内和类间的匹配分数得到权重并将其注入到目标函数中；

最后，通过解决最优化问题，得到一个鲁棒的注册模板；

更新模板：在认证过程中，由于受多种因素的影响， 使得采集的手指静脉特征存在变化，导致同一手指获取的图像很难与注册模板之间实现有效的匹配和认证；为了提高匹配精度，提出了一种模板更新方法，实现对模板的在线更新；首先，在认证阶段，将待认证图像与原始注册图像进行匹配，并将匹配分数大于一个给定的阈值的认证图像存储起来更新原始注册模板；然后,通过认证图像和原始注册模板来计算类间距离和类内距离，并将两种距离进行融合得到每幅图像的权值；和模板产生相似，通过模板质量的定义将模板更新转化为一个优化问题，并通过最小二乘法求解得到新的注册模板，利用该模板对原始注册模板进行更新；

类内相似性计算为：

  （1）

d( )指样本 和样本 之间的相似性； 实际上是 和同一类别中的其他M‑1个注册样本的平均类内相似性；

类间相似性计算为：

  (2)

d( )指样本 和样本 之间的相似性；公式(2)计算了样本 和其他N‑

1个类别的所有样本的平均相似性；

相似度融合为：

  (3)

决定了在模板生成中类内相似性和类间相似性各自所占的比重；

所述手指静脉模板生成为：

  (4)

公式中 指第n个类别的第m个样本的权重。

2.根据权利要求1所述的一种手指静脉模板生成方法，其特征在于，所述手指静脉模板更新为：指第N个类别中的第K幅输入图像，K =1,2,..,K；原始的模板用 表示，n = 1,

2,.....N；原始模板的权重用 来表示；

  (5)

其中 指K个输入样本的类内平均相似性； 由公式(6)计算  (6)

由公式(7)计算

  (7)

公式(7)计算了模板 与其它N‑1个模板的平均类间相似性；

第K个输入样本 的权重由公式(8)计算  (8)

公式(9)中, 是第k个输入与其它K‑1个输入的平均相似性  （9)

是指第n 个样本中第K 个输入与其它n‑1个模板的平均相似性；

  (10)

模板更新

第n个类别中改进的模板 通过计算以下目标函数得到  (11)

最后，生成改进的模板

  (12)

注意，公式(4)中的  和公式(12)中的 是两个概率图；为了完成验证，它们应该二值化，然后把存储的二值化图像用于注册模板的验证。