1.一种非接触掌纹身份认证方法，其特征在于，包括如下步骤：S1：获取训练样本图像和测试样本图像，所述训练样本图像和所述测试样本图像包括至少一组握拳的手掌图像和展开手掌的手掌图像；

S2：降低所述训练样本图像和所述测试样本图像的分辨率，提取所述训练样本图像和所述测试样本图像的ROI；

S3：对所述训练样本图像的ROI进行变换扩充所述训练样本图像的ROI；

S4：通过基于卷积神经网络的双网络深度学习，提取出所述训练样本图像的ROI中旋转、透视、亮度变换无关的全局特征与局部特征，根据所述测试样本图像与所述训练样本图像的全局特征与局部特征的相似度进行身份认证。

2.如权利要求1所述的非接触掌纹身份认证方法，其特征在于，步骤S2中提取所述训练样本图像和所述测试样本图像的ROI包括如下特征：S21：获取所述握拳的手掌图像和所述展开手掌的手掌图像并转化成对应的灰度图像，同时把分辨率从1280*720降低至320*180；

S22：对所述灰度图像进行平滑处理，得到所述握拳的手掌图像的灰度图像和所述展开手掌的手掌图像的灰度图像的差分图像；

S23：对所述差分图像进行双阈值分割，得到掌纹预分割图像；

S24：利用所述掌纹预分割图像标记训练样本图像中的掌纹区域，并转换到YCbCr色度空间，建立基于训练样本图像的肤色模型；利用所述掌纹预分割图像标记所述测试样本图像中的掌纹区域，并转换到YCbCr色度空间，建立基于测试样本图像的肤色模型；将所述训练样本图像的肤色模型和所述测试样本图像的肤色模型的均值作为最终的肤色模型；

定义肤色相似度为： 其中Ps为最终的肤色模型，i表

示当前测试样本中的像素索引，x＝[Cb Cr]T表示训练样本和测试样本像素在YCbCr色度空间中的值；

Simility

对PS 进行双阈值分割，并采用形态学膨胀填补小的内部孔洞，得到测试样本图像的的掌纹分割图像；

S25：计算掌纹分割图像的重心，从重心出发，搜寻最大半径，确定最终的圆心与半径，并映射回展开手掌的手掌图像得到ROI。

3.如权利要求1所述的非接触掌纹身份认证方法，其特征在于，步骤S3中所述变换包括：S31：对所述训练样本图像的ROI进行透视变换；

S32：对所述训练样本图像的ROI进行旋转变换；

S33：对所述训练样本图像的ROI进行背景消除和亮度变换。

4.如权利要求1所述的非接触掌纹身份认证方法，其特征在于，步骤S4包括如下步骤：S41：对扩充后的所述训练样本图像的ROI提取全局特征；

S42：对扩充后的所述训练样本图像的ROI恢复分辨率，然后提取局部特征；

S43：对测试样本图像的ROI与训练样本图像的ROI的全部特征和局部特征对比进行身份认证。

5.如权利要求4所述的非接触掌纹身份认证方法，其特征在于，所述步骤S41包括如下步骤：S411：采用网络结构在每一个卷积层并行使用至少一个卷积核提取特征，卷积层的激活映射为：其中，W表示每个神经元的权重，b表示偏置，i表示卷积核序号，l表示层数；

S412：把所述网络结构的最后一个全连接层去除，添加一个间隙层；在所述间隙层对最后一个卷积层进行平均池化，如下所示：其中，Hi(x,y)表示第i个激活单元在坐标(x,y)的值；

S413：在所述间隙层添加一个权重w来表达每个像素的分类表现力，最终的Softmax层表示为：其中，表示在全局特征下第c类的分类分数， 表示一个像素在第i层对第c类的表达力权重。

S414：获取权重w后，每个像素的分类表达力为：

6.如权利要求5所述的非接触掌纹身份认证方法，其特征在于，所述步骤S42包括：恢复扩充后的所述训练样本图像的ROI的分辨率到1280*720；并在恢复分辨率后的所述训练样本图像的ROI中取出表达力最强的至少一个像素，同时，将所述训练样本图像恢复分辨率到

1280*720，映射得到所述训练样本图像中最具表达力的像素，以每个所述最具表达力的像素为中心取一个邻域；若所述领域中包含其他所述表达力最强的要素，不重复取领域。

7.如权利要求6所述的非接触掌纹身份认证方法，其特征在于，所述表达力最强的像素的数量和所述领域的大小由穷举法从实验得到。

8.如权利要求1所述的非接触掌纹身份认证方法，其特征在于，所述训练样本图像和所述测试样本图像的相似度定义为：其中w代表权重，w∈[0,1]，wA+wL＝1，wA为全局特征，为局部特征， 为全局特征的相似度， 为局部特征的相似度。

9.如权利要求8所述的非接触掌纹身份认证方法，其特征在于，其特征在于，所述wA和wL通过穷举法从实验获得最佳权重。