1.一种基于RCNN的指纹奇异点检测方法，其特征在于，所述方法包括：

步骤1)在计算机读取原始指纹图像后构造数据集：获取大小为256*320含噪点的指纹原始灰度图像，首选进行人工图像增强、标注groundtruth，再将图像进行归一化处理，同时按照8:2的比例划分训练集和测试集；

步骤2)搭建用于图像增强的解编码卷积神经网络，由编码网络和解码网络两个模块组成,使用原始数据集进行训练图像增强网络，并将网络预测输出的256*320的指纹图片进行保存，作为3)的输入；

步骤3)将增强后的指纹图像按照网格分割为大小为若干41*41的区域，手动标注每个区域所属的类别，并用矩阵表示，作为groundtruth，再设置概率阈值，用于筛选分类后的结果，使用增强后的图像数据集训练Res-net分类器，针对每个区域的输出结果，保留高于概率阈值的区域，用于步骤4)；；

步骤4)将步骤三中含奇异点的区域图像作为输入，将归一化后的指纹坐标作为输出，进行FCN的训练，该FCN本质上是对提出的感兴趣区域进行回归；

步骤5)提取步骤四中FCN的预测结果，与真实值进行比较，计算方法预测的准确性，以预测点与真实点之间的欧式距离作为依据，将距离低于阈值的点视为检测成功。

2.根据权利要求1，其特征在于：所述步骤1)一中人工图像增强指运用图像处理技术进行滤波、降噪等操作，标注groundtruth指手动标注出奇异点的位置，并且读取奇异点的坐标，将其保存为csv文件，图像归一化指将所有像素点的灰度值除以255，使其值在[0,1]范围内。

3.根据权利要求1，其特征在于：所述步骤2)中图像增强网络由编码器网络和解码器网络构成，编码器网络的结构为两个分别由两层相同的卷积层(卷积核为3*3，通道数依次为

16和64，步长为1)和一层最大池化层(窗口大小为2*2)模块，编码器网络由两个含一层上采样层(窗口大小为2*2)和相同两层卷积层(卷积核为3*3，通道数依次为64和16，步长为1)的网络模块构成，最后再通过一层卷积核为1*1的卷积层，训练过程中使用均方误差作为损失函数，使用随机梯度下降算法进行参数优化。

4.根据权利要求1，其特征在于：所述步骤(3)中标注各区域类别的矩阵如下所示：

其中C为类别矩阵，ci∈{0,1},i＝1,2,3，c1表示该区域内是否含有奇异点，c2表示该区域内是否含有核心点，c3表示该区域内是否含有三角点，概率阈值依据具体数据集而定，一般略小于预测概率的最大值。

5.根据权利要求1，其特征在于：所述步骤(3)中的Res-net具体结构为：一个卷积核为

5*5、通道数为16的卷积层，连接一个窗口大小为2*2、通道数为16的下采样层，然后连接卷积核为5*5、通道数为32的卷积层并且延申出至下一卷积层的残差网络，接着是窗口大小为

2*2、通道数为64的下采样层，最后是一个卷积核为5*5、通道数为64的卷积层以及全连接层，该网络的训练参数设置同步骤二中的网络。

6.根据权利要求1，其特征在于：所述步骤(4)中训练集为步骤三中高于概率阈值的41*

41像素的区域灰度图片，我们需要通过原始图像标注的坐标来计算该区域内奇异点坐标，并将其归一化，具体步骤如下：其中xi为原始坐标，xi′为区域灰度图片内奇异点的坐标， 为归一化后的坐标值，n为数据集中指纹图片的。

7.根据权利要求1，其特征在于：所述步骤(4)中的FCN由四个相似的模块组成，每个模块由两层卷积层(卷积核为3*3，通道数依次为16、64、128和256)和一层最大池化层(窗口大小为2*2)组成，全连接层的层数为2，结点个数分别为256和2，在该网络中，使用随机梯度下降进行回归，网络通过将均方误差反向传播来学习。

8.根据权利要求1，其特征在于：所述步骤5)中所用的欧式距离如下所示：

其中px,py,gx,gy分别表示预测点的横纵坐标以及真实奇异点的横纵坐标，threshold为阈值。

9.根据权利要求1，其特征在于：所述步骤(5)中其阈值依据图片大小而定，一般为图像规模的十分之一左右，根据图片大小我们取阈值为20个像素点。