1.一种低质量指纹图像的增强处理方法，其特征在于，包括:构建配对的低质量指纹图像和高质量指纹图像数据集，所述数据集包括第一数据集和第二数据集；

通过迁移学习，训练第一阶段和第二阶段的UNet++网络模型，所述第一阶段和第二阶段的UNet++网络模型都是具有嵌套结构且能进行低高级特征融合的UNet++网络模型，所述第一阶段和第二阶段的网络结构相同；

训练第一阶段UNet++网络：随机设定初始权重，将第一数据集中的低质量指纹图像输入第一阶段UNet++网络结构中，输出增强后的图像，通过损失函数计算增强后的图像与对应高质量指纹图像之间的误差，对误差进行反向传播，迭代更新第一阶段UNet++网络中的权重，迭代次数达到设定次数后，获得第一阶段UNet++网络的最终权重；

训练第二阶段UNet++网络：将所述第一阶段网络的最终权重作为第二阶段网络的初始权重，将第二数据集输入第二阶段UNet++网络中，基于损失函数进行训练；

所述第一阶段和第二阶段的UNet++网络训练过程中所使用的损失函数是基于全局损失和局部损失进行改进后的损失函数：Loss＝LossTotal+LossLocal其中，LossTotal是根据增强后图像和对应的高质量指纹图像之间的方向梯度损失、方向场损失、由指纹图像背景场转化的连续向量场损失得到的全局损失；LossLocal是将增强后图像和对应的高质量指纹图像划分成2×2不重叠的图像块，根据对应图像块之间的方向梯度损失、方向场损失、由指纹图像背景转化的连续向量场损失得到的局部损失；

利用训练完成的第二阶段UNet++网络对待增强的低质量指纹图像进行增强处理，获得增强的指纹图像；

所述全局损失，包括：

LossTotal＝Egrad(Ft,Fr)+λ(Eori+Erel)其中，

其中：

Ft是目标图像，即与输入低质量指纹图像对应的高质量指纹图像；

Fr是重建图像，即对输入低质量指纹图像增强后得到的图像；

Sθ为不同方向的Sobel算子，e表示卷积操作，Ω＝{0，45，90，135}，Egrad(Ft,Fr)是目标图像和重建图像之间的方向梯度损失；

Θ(Ft)是目标图像的方向场，Θ(Ft)是重建图像的方向场，n为像素点的个数，Eori是目标图像和重建图像的方向场损失；

R(Ft)是由目标图像背景场转化得到的连续向量场，R(Fr)是由重建图像背景场转化得到的连续向量场，Frel是目标图像和重建图像由背景场转化得到的连续向量场损失；

λ是进行正则化的超参数；

所述局部损失，包括：

其中：

是划分后大小为2×2的目标图像；

是划分后大小为2×2的重建图像；

是划分后大小为2×2目标图像和重建图像的局部方向梯度损失；

是划分后大小为2×2目标图像和重建图像的脊线方向的局部方向场损失；

是划分后大小为2×2目标图像和重建图像的由背景场转化得到的局部连续向量场损失。

2.如权利要求1所述的一种低质量指纹图像的增强处理方法，其特征在于，所述构建配对的低质量指纹图像和高质量指纹图像数据集，具体包括：利用图像生成软件Anguli生成若干张的高质量指纹图像；

对所述若干张的高质量指纹图像添加噪声和折痕，得到对应的低质量指纹图；

通过对匹配若干对的高、低质量指纹图像执行圆角裁剪或旋转操作，使其形状变为圆形；

将获得的若干对圆形高、低质量指纹图像划分，其中一半作为第一阶段模型训练时所用的数据集，剩余一半作为第二阶段模型训练时所用的数据集。

3.如权利要求1所述的一种低质量指纹图像的增强处理方法，其特征在于，所述UNet++网络结构，包括：六个卷积块，所述卷积块均包含两层卷积，所述卷积块用于对输入的低质量指纹图像进行卷积；

五个第一反卷积块，所述第一反卷积块包含至少一个反卷积层，所述第一反卷积块用于对所述卷积层的输出进行反卷积；

五个第二反卷积块，所述第二反卷积块包含至少一个反卷积层和一个卷积层；所述第二反卷积块用于将所述第一反卷积块的输出恢复到原始指纹图像大小；

输出层。

4.如权利要求3所述的一种低质量指纹图像的增强处理方法，其特征在于，所述第二反卷积块中的卷积层所用的激活函数为sigmoid。

5.如权利要求3所述的一种低质量指纹图像的增强处理方法，其特征在于，所述输出层的输出为：其中，Ci是所述各第二反卷积块的输出。

6.如权利要求1所述的一种低质量指纹图像的增强处理方法，其特征在于，需要对待增强指纹图像的大小进行重塑使其满足模型的输入大小，同时对其进行二值化后后再输入训练完成的第二阶段UNet++网络进行增强。