1.一种基于特征融合的大鱼际掌纹识别方法，其特征在于，包括以下步骤：S1：收集掌纹数据并进行预处理，再使用基于关键点定位的方法对所述掌纹数据进行大鱼际区域提取；分为训练集和测试集；

S2：以ResNet152为基础实现模型，将SoftPool软池化操作引入该模型提取高层语义特征，利用等价模式LBP算子提取局部纹理特征；利用训练集对改进后的ResNet152模型进行训练；训练得到分类结果；

S3：引入AdaBoost算法，并根据ResNet152的分类结果来调整训练集中数据的权重，利用加权后的训练数据集再训练VGG‑19；所述VGG‑19中引入RGA；所述AdaBoost算法将ResNet152、VGG‑19两种网络模型进行集成；

S4：测试集数据分别通过训练好的ResNet152模型和VGG‑19模型进行处理，分别得到预测结果；

S5：基于AdaBoost算法，将ResNet152与VGG‑19的预测结果进行加权求和，得到最终的分类结果；

所述S2具体如下：

S2‑1：在ResNet152模型卷积层后引入软池化方法，对卷积得到的特征图赋予权重信息，保留更多高层语义信息；

S2‑2：采用等价模式来对LBP算子的模式种类进行降维，解决二进制模式过多问题的同时提取局部特征；

所述S3具体为：

S3‑1：设置加权系数α，将ResNet152模型提取的高层次语义特征信息和等价模式LBP算子提取的底层纹理细节特征进行加权特征融合：fw＝α·fR+(1‑α)fL

其中，fw为融合后的特征，fR为ResNet152网络提取的高级特征，fL为圆形LBP算子提取的纹理特征，α为加权系数；

S3‑2：将融合后的特征输入到Soft Max分类器中进行分类：将高层语义特征与底层纹理特征进行加权融合，将生成的特征向量通过Soft max分类器进行二分类；

S3‑3：根据Soft Max分类器的分类结果调整不同样本所占比重，将调整后的训练集用于VGG‑19的训练：在VGG‑19的低层中引入了RGA来提取输入图像的全局特征，将提取到的特征输入到VGG‑19的高层，进而得到大鱼际掌纹的分类结果：将调整后的大鱼际掌纹的数据集先输入到VGG‑19中，在底层通过RGA模块来提取大鱼际掌纹的全局特征，然后通过高层的卷积运算，进而得到大鱼际掌纹的分类结果；

S3‑4：根据ResNet152网络模型的分类结果，重新调整训练集中每张图片的权重，提高ResNet152网络分类错误的样本的权重，减小ResNet152网络分类正确的样本所占的权重，利用调整后的数据集训练VGG‑19网络。

2.如权利要求1所述的大鱼际掌纹识别方法，其特征在于，所述S1中：S1‑1：在YCrCb颜色空间中的Cr分量下结合OSTU阈值分割算法，更精准的实现图像分割：(1)在YCrCb颜色空间中的Cr分量下对采集数据进行手部轮廓提取；

(2)结合OSTU阈值分割算法遍历获取Cr分量下的背景与目标区域的分割阈值，提高图像分割精度；

S1‑2：利用凸包和凸缺陷搜索算法定位手指间谷点，得到大鱼际区域掌纹图像：(1)利用凸包和凸缺陷搜索算法对Cr分量下的手部区域进行轮廓提取；

(2)依据凸包和凸缺陷检测算法定位手指间谷点；

S1‑3：对倾斜的数据角度校准后进行大鱼际掌纹的提取：(1)依据勾股定理得出旋转角度公式，对倾斜的数据进行角度校准后进行左右手判断；

(2)依据左右手大鱼际位置特点进行目标区域标注并截取；

(3)依据手指间谷点之间的距离与基准数值之间的比例对标注框进行等比放缩。

3.如权利要求1所述的大鱼际掌纹识别方法，其特征在于，所述S5中，将大鱼际掌纹的图片分别输入到ResNet152和VGG‑19中，通过softmax分类器得到对应的分类结果，将得到的分类结果根据每个网络的准确率增加权重，加权求和得到最终的分类结果。