1.一种基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，包括如下步骤：S1：对输入的手指静脉样本图像进行二值化，根据像素值从手指静脉样本二值图像的所有像素点中筛选出静脉像素点和背景像素点，并分别进行标记；在所述手指静脉样本二值图像中，筛选出若干像素点，并分别沿指定的C个方向θ提取多个子块构建训练集，每个像素点构建C个标签序列，其中C为不小于2的自然数；

S2：通过训练长期递归卷积神经网络LRCNN，以学习对手指静脉纹理的表示和空间依赖性表示；

S3：根据所述标签序列，分别为每个所述训练集生成C个训练数据集，并分别用每个所述训练数据集单独训练一个LRCNN，输出一个C维向量作为特征向量；

S4：通过所述特征向量对概率支持向量机P‑SVM进行训练，以计算对应的所述像素点属于所述静脉像素点的概率；

S5：分别根据每个所述训练集生成一个增强图像，并对将增强图像进行二值化的函数进行优化；

S6：利用优化的函数计算任意两幅图像在不同空间位移时的非重叠区域，从而对所有所述增强图像进行两两匹配；

步骤S1的具体方法如下：

S1.1：分别采用至少两种不同的方法对输入的手指静脉样本图像进行二值化，得到至少两张不同的二值图像，并计算所有所述二值图像的均值，得到均值图像F，作为手指静脉样本二值图像；以像素值0代表背景、像素值1代表静脉，对所述手指静脉样本二值图像中的所有像素点F(x,y)进行标记，如果F(x,y)＝1，标记为静脉像素点；如果F(x,y)＝0，则标记为背景像素点；其他区域不进行标记；

S1.2：在所述手指静脉样本二值图像中选择一个经过标记的像素点c0，沿C个延伸方向θ确定k‑1个相邻像素点，共产生k个像素点，然后以k个所述像素点为中心点得到k个子块作为训练集，并根据每个所述像素点的标签对所述训练集构建标签序列，并采用如下方式对延伸方向θ进行量化；

其中i＝1,2,…,C；

经过量化，得到C个标签序列，其中C为不小于2的自然数。

2.如权利要求1所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，所述延伸方向θ∈{0°,45°,90°,135°}，此时C为4。

3.如权利要求1所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S2的具体方法如下：

S2.1：构建卷积神经网络CNN模型，以学习对手指静脉分隔的纹理表示，产生一个特征序列；所述CNN模型包括一个输入层、三个卷积层、两个最大池化层和一个全连接层；所述卷积层使用修正线性单元(y＝max(0.x))对隐层神经元进行激活；所述池化层使用如下最大池化方法提取局部信息：

其中，rk表示经第k个滤波器卷积后输出的特征图， 表示在Ik内的非重叠区域r×r通过池化操作后提取的特征；

S2.2：构建长短期记忆网络LSTM模型，通过所述特征序列映射到隐藏状态来模拟空间依赖性，以学习对手指静脉分隔的空间依赖性表示。

4.如权利要求3所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，三个所述卷积层中卷积核的数量分别为24,48以及100，且大小均为5。

5.如权利要求1所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S3的具体方法如下：

*

所述手指静脉样本图像上的任意像素点l∈{0,1}，沿着方向θ 产生了序列使用步骤S1中提供的标签序列作为标签，将所述训练集表示为其中N’是训练数据库中手指静脉图像序列的数量，此时第i个训练集为 分别用每个训练集单独训练LRCNN，并产生预测分数，将C个LRCNN的输出组合成一个C维向量作为特征向量。

6.如权利要求3所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S4的具体方法如下：

从带有标签l∈{0,1}像素的C个所述标签序列中提取出向量v，则通过所述特征向量对概率支持向量机P‑SVM进行训练、获得对应的所述像素点属于所述静脉像素点的概率值p：其中：p的范围为0～1；ε(v)是二分类SVM的输出，v是输入的特征向量，w和γ是P‑SVM训练的参数；

从所述标签序列中继续提取向量，通过上述方法进行计算，得到所有像素点属于所述静脉像素点的概率值p。

7.如权利要求1所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S5的具体方法如下：

S5.1：将所述训练集中的所有子块分成N类，每类中包括M个子块；将第N类中的第M个子块的增强图像xm,n通过如下方法进行二值化，得到二值图像，并映射到汉明空间中：bm，n＝0.5×(sgn(xm，n‑T)+1)其中：当z≤0时，sgn＝‑1；当z＞0时，sgn＝1；T∈[0,1]；bm,n表示二值图像；

S5.2：通过汉明距离对任意两张所述二值图像进行匹配，当两张所述二值图像属于同一类时产生类内匹配分数，反之则产生类间匹配分数，一共生成 个真匹配分数以及a2＝N×(N‑1)×M×M/2个假匹配分数并通过如下方法进行特征编码、得到编码静脉图像：其中，|·|代表绝对值运算，u1(T)和u2(T)是Ω1和Ω2的均值，D1(T)和D2(T)是Ω1和Ω2的方差，并据此确定最佳的T值。

8.如权利要求7所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S6的具体方法如下：

利用优化的函数计算任意两幅图像之间的最小非重叠量，以此对所有所述增强图像进行两两匹配：B和Q的大小均为I×J，将Q的高度和宽度扩展到2E+I和2H+J，得到扩展图像方法如下：

Q和B的匹配距离计算如下：

其中， 是矩阵 中值为‑1的个数；U是值为‑1、大小为I×J的矩阵；

Hamdistance代表了B和Q的汉明距离； 是在水平和垂直方向上平移距离e和h产生的矩阵；d(Q,B)是Q和B在扩展区域内不同空间变化的最小非重叠量。