1.一种基于模态信息度评估策略的掌纹掌静脉识别方法，其特征在于，包括以下步骤：步骤1、采集n个人的手掌图像，每个人分别采集2a幅掌纹图像和2a幅掌静脉图像，建立图像数据库，并将图像数据库分为训练集和测试集，训练集和测试集中的手掌图像数量比例为1:1；

步骤2、构建第一特征提取网络E1和第二特征提取网络E2，分别对应提取掌纹图像的特征向量和掌静脉图像的特征向量，具体如下：在卷积神经网络VGG16的基础上，对VGG16网络进行调整，去掉最后一层分类器后，作为特征提取器，分别提取掌纹图像的特征向量p1和掌静脉图像的特征向量v1，经过CBAM注意力机制对应得到二次掌纹图像的特征向量p2和二次掌静脉图像的特征向量v2；

步骤3、分别构建第一信息度评估网络f1和第二信息度评估网络f2，以分类器预测的最大概率作为权重与特征向量进行内积，内积得到的两个特征向量进行级联输入到全连接层中进行预测，进而得到整体网络模型，具体如下：步骤3‑1、分别构建第一信息度评估网络f1和第二信息度评估网络f2，信息度评估网络包括第一分类器g1和第二分类器g2；

步骤3‑2、将得到的二次掌纹图像的特征向量p2输入到第一分类器g1，再依次通过Sigmoid激活函数和Max函数后，得到第一分类器g1预测的最大概率w1，同时将二次掌静脉图像的特征向量v2输入到第二分类器g2，再依次通过Sigmoid激活函数和Max函数后，得到第二分类器g2预测的最大概率w2；

步骤3‑3、以w1作为权重与二次掌纹图像的特征向量p2进行加权得到三次掌纹图像的特征向量p3，w2作为权重与二次掌静脉图像的特征向量v2进行加权得到三次掌静脉图像的特征向量v3：p3＝w1*p2,v3＝w2*v2        (1)

步骤3‑4、将三次掌纹图像的特征向量p3和三次掌静脉图像的特征向量v3进行级联得到融合后的向量z：z＝[p3，v3]        (2)

其中[.,.]是级联操作；

步骤3‑5、最终z输入到全连接层中得到预测结果y1，进而得到整体网络模型；

步骤4、训练整体网络模型，通过学习使分类器预测的最大概率等于其对应的标签的概率，提高网络模型最终识别的准确度和稳定性，进而得到训练好的整体网络模型，具体如下：步骤4‑1、构建第一损失函数L1和第二损失函数L2来逼近分类器的预测概率分布和真实概率分布：1

Z＝Y1·P(X1|Y1)    (4)

2

Z＝Y2·P(X2|Y2)    (5)

1

F＝Y1·M1    (6)

2

F＝Y2·M2    (7)

L2＝LCLS1+LCLS2     (8)

其中Y1是掌纹图像的标签，Y2是掌静脉图像的标签，X1代表二次掌纹图像的特征向量p2，X2代表二次掌静脉图像的特征向量v2，P(X1|Y1)是二次掌纹图像的特征向量p2的真实概率分布，P(X2|Y2)是二次掌静脉图像的特征向量v2的真实概率分布，M1表示将二次掌纹图像的特征向量p2输入到第一分类器g1后再通过SoftMax激活函数后得到的预测概率分布，M2表示将二次掌静脉图像的特征向量v2输入到第二分类器g2后再通过SoftMax激活函数后得到的预测概率分布，m表示当前模态序号，LCLS1是M2和P(X1|Y1)的交叉熵损失函数，LCLS2是M2和P(X2|Y2)的交叉熵损失函数；

步骤4‑2、构建最终损失函数L：

L＝λ*(L1+L2)+LCLS     (9)

其中LCLS是向量z输入全连接层进行分类的交叉熵损失函数，λ是损失函数的平衡参数；

步骤5、利用测试集测试训练好的整体网络模型的准确度和等误率。

2.根据权利要求1所述的一种基于模态信息度评估策略的掌纹掌静脉识别方法，其特征在于，步骤1中，200

3.根据权利要求1所述的一种基于模态信息度评估策略的掌纹掌静脉识别方法，其特征在于，步骤5中，利用测试集测试训练好的整体网络模型的准确度和等误率，具体如下：在识别过程中，利用正确识别率评价识别性能，在验证过程中利用等误率作为模型性能的主要评价指标，在验证过程中，计算输入生物特征与目标生物特征之间的相似度，并设置阈值，当相似度低于阈值时，表明二者是同一类别，匹配成功，反之为不同类别，匹配失败：其中，NFR代表错误接受的次数，NFA代表错误拒绝的次数，NGRA代表类内匹配次数，NGCA代表类间匹配次数，当FRR等于FAR时，此时的FRR与FAR的值被称为等误率EER，在分类问题中，是在1：N的识别模式下在识别的样本总数中被正确识别样本数量所占的比例，从测试集中抽取一个人的一张掌纹图像和一张掌静脉图像，输入到训练好的整体识别网络中，True最终全连接层对输入进行预测，累计预测正确的样本数为N ，累计预测错误的样本数为FlaceN ，在测试集上的正确识别准确度CRR为：