1.一种非受限状态下的指节纹识别方法，其特征在于，具体按照以下步骤实施：步骤1、在非受限状态下采集指节纹图像，并进行预处理和感兴趣区域提取，得到感兴趣指节纹图像；

步骤2、设计卷积神经网络加持空间变换网络的指节纹深度学习网络模型；

步骤3、将感兴趣指节纹图像输入指节纹深度学习网络模型进行训练，得到优化的指节纹深度学习网络模型；

步骤4、对于待识别的指节纹图像，采用步骤1相同的预处理和感兴趣区域提取后，输入优化的指节纹深度学习网络模型进行识别。

2.根据权利要求1所述的一种非受限状态下的指节纹识别方法，其特征在于，步骤1具体过程为：步骤1.1、采集指节纹图像，对指节纹图像进行二值化处理，得到二值化图像；

步骤1.2、对二值化图像进行连通区域分析，求取最大连通区域的外接矩形，根据该外接矩形的坐标信息从原始采集的指节纹图像中裁切出只含有指节纹的区域图像；

步骤1.3、对只含有指节纹的区域图像进行对比度增强；

步骤1.4、采用基于弯曲Gabor变换的方法，提取对比度增强后的指节纹上的感兴趣区域图像，得到感兴趣指节纹图像。

3.根据权利要求2所述的一种非受限状态下的指节纹识别方法，其特征在于，步骤1.3所述对比度增强方法为对比度受限自适应直方图均衡化法。

4.根据权利要求2所述的一种非受限状态下的指节纹识别方法，其特征在于，所述步骤

1.4提取对比度增强后的指节纹上的感兴趣区域图像的具体步骤程为：步骤1.4.1、所采用的弯曲Gabor滤波器形式为：

其中X＝x*cos(θ)+y*sin(θ)+c*(-x*sin(θ)+y*cos(θ))2，Y＝-x*sin(θ)+y*cos(θ)，弯曲度参数c用来模拟指节纹的弯曲纹理；

步骤1.4.2、选取参数σ＝20,θ＝π,λ＝20,ψ＝0,γ＝1，创建初始的Gabor滤波器，进一步将该滤波器水平镜像并和创建的初始Gabor滤波器进行拼接，以模拟指节纹的纹理对称性，形成最终的指节纹Gabor滤波器；

步骤1.4.3、将对比度增强后的指节纹区域图像与最终的指节纹Gabor滤波器进行卷积；

步骤1.4.4、将卷积后响应最大值的点作为指节纹感兴趣区域的中心点，裁切出220×

110大小的区域即为感兴趣指节纹图像。

5.根据权利要求1所述的一种非受限状态下的指节纹识别方法，其特征在于，所述步骤

2的指节纹深度学习网络模型的组成为：输入层为步骤1提取的指节纹ROI区域图像；卷积层

1：卷积核个数为8、卷积核大小为5×5、卷积步长为2；卷积层2：卷积核个数为16、卷积核大小为3×3、卷积步长为2；全连接层1：神经元个数为64；全连接层2：神经元个数为6；双线性插值层；卷积层3：卷积核个数为32、卷积核大小为5×5、卷积步长为2；卷积层4：卷积核个数为64、卷积核大小为3×3、卷积步长为2；卷积层5：卷积核个数为128、卷积核大小为3×3、卷积步长为1；卷积层6：卷积核个数为512、卷积核大小为3×3、卷积步长为1；卷积层7：卷积核个数为分类的指节纹个数、卷积核大小为3×3、卷积步长为1；全局平均池化层及Softmax分类层。

6.根据权利要求1所述的一种非受限状态下的指节纹识别方法，其特征在于，所述空间变换网络对感兴趣指节纹图像进行仿射变换，生成统一的规范化的图像。

7.根据权利要求1所述的一种非受限状态下的指节纹识别方法，其特征在于，所述卷积神经网络用来对经空间变换后的指节纹图像进行识别。

8.根据权利要求1所述的一种非受限状态下的指节纹识别方法，其特征在于，所述指节纹深度学习网络模型训练时的损失函数为交叉熵损失函数，优化器为Adam，初始学习率为

0.005，Mini-Batch为128，训练轮数为100。