1.一种基于特征解耦学习的低曝光图像增强方法，其特征在于，包括以下步骤：

步骤1、采集P幅正常曝光下人体手背静脉图像，100＜P＜10000，通过低亮度图像合成方法将上述正常曝光下人体手背静脉图像逐张转化为低曝光手背静脉图像，再对所有静脉图像分别进行有效区域提取，提取后的图像像素大小为h×w，分别得到正常曝光下人体手背静脉提取图像训练集和低曝光手背静脉提取图像训练集；

步骤2、基于编码器Enc_p、Enc_b、解码器Dec_b、Dec_p以及判别器Dis构建一个特征解耦网络，基于一个编码器Enc_v和一个解码器Dec_v构建一个图像增强网络；

步骤3、利用正常曝光下人体手背静脉提取图像训练集和低曝光手背静脉提取图像训练集，训练特征解耦网络，得到训练好的特征解耦网络：步骤3‑1、通过正常曝光人体手背静脉提取图像训练集中的图像训练编码器Enc_p，得到其对应的正常曝光人体手背静脉图像的纹理特征fp_v，经解码器Dec_p解码得到正常曝光人体手背静脉图像，训练迭代优化后，固定编码器Enc_p参数；

步骤3‑2、将低曝光手背静脉提取图像训练集中的低曝光手背静脉提取图像 输入到编码器Enc_b中，编码得到低曝光手背静脉提取图像特征fb；

步骤3‑3、将正常曝光人体手背静脉图像的纹理特征fp_v和低曝光手背静脉提取图像特征fb进行级联，得到低曝光手背静脉图像重建特征fd，将fd输入到解码器Dec_b中进行解码得到低曝光手背静脉解码图像步骤3‑4、低曝光手背静脉提取图像 作为标签信息，将标签信息和低曝光手背静脉解码图像 同时输入到判别器Dis，对其真假进行判别，迫使编码器Enc_b编码得到的低曝光手背静脉提取图像特征fb是低曝光静脉图像的背景特征，训练迭代优化后，固定编码器Enc_b参数和解码器Dec_b参数，进而获得训练好的特征解耦网络；

步骤4、利用低曝光手背静脉提取图像训练集和训练好的特征解耦网络，训练图像增强网络，得到训练好的图像增强网络：步骤4‑1、将低曝光手背静脉提取图像训练集中的低曝光手背静脉提取图像 输入到编码器Enc_v，得到低曝光手背静脉特征fv；

步骤4‑2、将低曝光手背静脉特征fv与低曝光手背静脉提取图像特征fb级联，得到低曝光图像重建特征fd′，fd′输入到解码器Dec_b中进行解码得到低曝光手背静脉图像步骤4‑3、低曝光手背静脉提取图像 作为标签信息，将标签信息和低曝光手背静脉图像 同时输入到判别器Dis，对其真假进行判别，迫使编码器Enc_v得到的低曝光手背静脉特征fv为低曝光手背静脉提取图像的纹理特征；

步骤4‑4、将低曝光手背静脉特征fv输入到解码器Dec_v解码输出得到增强后的静脉图像 训练迭代优化后，得到训练好的图像增强网络；

步骤5、采集M个人体手背的低曝光静脉图像，100＜M＜1000，对其进行有效区域提取，得到像素大小为h×w的M幅静脉图像，作为测试集；

步骤6、将测试集中的低曝光静脉图像输入到训练好的图像增强网络，得到增强后的静脉图像。

2.根据权利要求1所述的基于特征解耦学习的低曝光图像增强方法，其特征在于，步骤

3中的利用正常曝光下人体手背静脉提取图像训练集和低曝光手背静脉提取图像训练集，训练特征解耦网络，得到训练好的特征解耦网络，具体方法如下：步骤3‑1、使用正常曝光人体手背静脉提取图像训练编码器Enc_p与解码器Dec_p，由于输入和输出都为正常曝光人体手背静脉图像，使得编码器Enc_p编码出来得到的特征为正常曝光人体手背静脉图像的纹理特征：其中，fp_v为正常曝光人体手背静脉图像的纹理特征； 为输入的正常曝光人体手背静脉提取图像训练集中的正常曝光人体手背静脉提取图像；

步骤3‑2、将低曝光手背静脉提取图像 输入到编码器Enc_b中，得到特征：

其中，fb为Enc_b编码得到的低曝光手背静脉提取图像特征，当后续经过特征解耦后其代表低曝光手背静脉提取图像的背景特征；

步骤3‑3、在获取到正常曝光人体手背静脉图像的纹理特征fp_v和低曝光手背静脉提取图像编码输出的低曝光手背静脉提取图像特征fb之后，将两个特征进行级联：fd＝concate(fb，fp_v)

其中，fd为fb和fp_v级联之后的低曝光手背静脉图像重建特征，concate(·)为特征级联操作；再将fd输入到解码器Dec_b中进行解码得到低曝光手背静脉解码图像步骤3‑4、低曝光手背静脉提取图像 作为标签信息，将标签信息和低曝光手背静脉解码图像 同时输入到判别器Dis，对其真假进行判别，通过计算损失函数LDec_b使fd为低曝光手背静脉提取图像的主要特征：其中， 是输入的低曝光手背静脉提取图像， 是低曝光手背静脉解码图像，使用判别器Dis对解码器重建的图像和原图像进行真假判断；由于fd是由预训练的自编码网络得到的正常曝光人体手背静脉提取图像的纹理特征fp_v和输入为低曝光手背静脉提取图像编码得到的低曝光手背静脉提取图像特征fb级联得到的特征，通过将fd恢复成低曝光手背静脉解码图像，迫使fb编码得到的是低曝光手背静脉提取图像的背景特征。

3.根据权利要求1所述的基于特征解耦学习的低曝光图像增强方法，其特征在于：步骤

4中利用低曝光手背静脉提取图像训练集和训练好的特征解耦网络，训练图像增强网络，得到训练好的图像增强网络，具体如下：步骤4‑1、将低曝光手背静脉提取图像 输入编码器Enc_v，得到低曝光手背静脉特征fv：步骤4‑2、将低曝光手背静脉特征fv与低曝光手背静脉提取图像特征fb级联，得到低曝光图像重建特征fd′：fd′＝concate(fb，fv)

concate(·)为特征级联操作；

将fd′输入到解码器Dec_b中进行解码得到低曝光手背静脉图像

步骤4‑3、将低曝光手背静脉提取图像 作为标签信息，将标签信息和低曝光手背静脉图像 同时输入到判别器Dis，对其真假进行判别，通过计算损失函数LDec_b使fd′为低曝光手背静脉提取图像的主要特征：步骤4‑4、将低曝光手背静脉特征fv输入Dec_v解码输出得到增强后的静脉图像 训练迭代优化后，得到训练好的图像增强网络；

由于fd和fd′解码输出都为低曝光的手背静脉图像，并且两部分的解码使用相同的解码器，从而迫使fd与fd′具有相同的特征向量，由于两者都是通过与低曝光手背静脉提取图像特征fb级联得到，这会使fv与fp_v非常接近，因此使用fv也能重建增强后的静脉图像其中， 为增强后的静脉图像。

4.根据权利要求1所述的基于特征解耦学习的低曝光图像增强方法，其特征在于：步骤

1所述低亮度图像合成方法采用随机伽马变换方法。