1.一种基于滑动窗口变换器的深浅特征融合的掌纹识别方法，其特征在于：所述基于滑动窗口变换器的深浅特征融合的掌纹识别方法，包括：获取预处理后的掌纹图像，并输入至训练好的掌纹识别模型中，得到掌纹图像的特征；

所述掌纹识别模型包括Swin Transformer网络、第一多尺度特征增强模块和第二多尺度特征增强模块，将掌纹图像输入至所述Swin Transformer网络中得到三个输出特征，其中Swin Transformer网络的第一输出特征经过第一多尺度特征增强模块后与Swin Transformer网络的第二输出特征进行融合得到第一融合特征，第一融合特征再经过第二多尺度特征增强模块后与Swin Transformer网络的第三输出特征进行融合得到第二融合特征，第一融合特征、第二融合特征和第一输出特征再进行融合后经过输出模块得到掌纹图像的特征；

将掌纹图像的特征分别与数据库中所有参考掌纹图像的特征进行比对，将比对成功的参考掌纹图像筛选出作为匹配成功的掌纹；

所述Swin Transformer网络包括由数据输入至输出依次设置的Patch Partition层、线性嵌入Linear Embedding层、第一阶段模块、第二阶段模块、第三阶段模块和第四阶段模块，且第四阶段模块的输出即为Swin Transformer网络的第一输出特征，第二阶段模块的输出即为Swin Transformer网络的第二输出特征，第一阶段模块的输出即为Swin Transformer网络的第三输出特征；

所述第一阶段模块、第二阶段模块和第三阶段模块均包括由数据输入至输出依次设置的Swin  Transformer  Block层和Patch  Merging层，所述第四阶段模块为Swin Transformer Block层；

在各所述多尺度特征增强模块中，各多尺度特征增强模块的输入特征先经过三个并行的膨胀卷积分支操作，输出的结果分别并行通过批归一化层和激活层后，进行通道维度融合得到第三融合特征，然后第三融合特征再进行上采样线性插值操作得到各多尺度特征增强模块的输出特征；

所述将掌纹图像输入至所述Swin Transformer网络中得到三个输出特征后，所述第一输出特征经过第一多尺度特征增强模块后得到第四输出特征，所述第二输出特征经过第一卷积层后，再与第四输出特征进行融合得到所述第一融合特征；

所述第一融合特征再经过第二多尺度特征增强模块后得到第五输出特征，所述第三输出特征经过第二卷积层后，再与第五输出特征进行融合得到所述第二融合特征；

同时所述第一融合特征再经过第一自适应池化层得到第六输出特征，所述第二融合特征再经过第二自适应池化层得到第七输出特征，然后第六输出特征、第七输出特征和第一输出进行融合得到第八输出特征，最后第八输出特征经过所述输出模块得到掌纹图像的特征。

2.如权利要求1所述的基于滑动窗口变换器的深浅特征融合的掌纹识别方法，其特征在于：所述预处理为裁剪操作。

3.如权利要求1所述的基于滑动窗口变换器的深浅特征融合的掌纹识别方法，其特征在于：所述将掌纹图像的特征分别与数据库中所有参考掌纹图像的特征进行比对，将比对成功的参考掌纹图像的特征筛选出作为匹配成功的掌纹，包括：将掌纹图像的特征分别与数据库中所有参考掌纹图像的特征进行欧式距离计算，筛选出数据库中距离最小的参考掌纹图像，将该距离值与设定的阈值进行比较，当该最小的距离值小于阈值，则筛选出的参考掌纹图像即为匹配成功的掌纹，否则，数据库中没有匹配成功的掌纹。

4.如权利要求1所述的基于滑动窗口变换器的深浅特征融合的掌纹识别方法，其特征在于：所述输出模块包括由数据输入至输出依次设置的归一化层、自适应平均池化层和全连接层。

5.如权利要求1所述的基于滑动窗口变换器的深浅特征融合的掌纹识别方法，其特征在于：各所述融合为相加操作。

6.如权利要求1所述的基于滑动窗口变换器的深浅特征融合的掌纹识别方法，其特征在于：所述掌纹识别模型训练过程中的总损失函数 的计算公式如下：；

其中， 表示三元组损失， 表示中心损失，表示三元组损失的权重参数， 表示中心损失的权重参数；

三元组损失的计算公式如下：

；

其中，、和 依次表示训练数据集中的锚点样本、正样本和负样本中的第个样本，且锚点样本与正样本是来自于同一类别的掌纹图像，锚点样本与负样本是来自不同类别的掌纹图像， 表示嵌入空间的嵌入函数，表示边界，为常数，表示各样本中的样本数量；

中心损失的计算公式如下：

；

其中，表示训练数据集中的第 个样本，表示训练数据集中样本的数量， 表示样本的类别中心。