1.一种手指静脉识别方法，其特征在于，包括：

将待识别手指静脉图像输入卷积神经网络中，所述卷积神经网络输出所述待识别手指静脉图像的特征向量；

将所述待识别手指静脉图像的特征向量输入图神经网络的卷积神经网络中，所述图神经网络的卷积神经网络输出每两个特征向量之间的关系信息，将所述待识别手指静脉图像的特征向量作为图神经网络的节点嵌入，将每两个特征向量之间的关系信息嵌入作为所述图神经网络的边嵌入，所述图神经网络输出所述待识别手指静脉图像的预测标签，其中，所述图神经网络是采用手指静脉图像的特征向量、特征向量之间的关系以及手指静脉图像对应的预测标签训练得到的。

2.如权利要求1所述的手指静脉识别方法，其特征在于，采用手指静脉图像和对应的预测标签训练得到所述图神经网络，包括：将手指静脉图像输入所述卷积神经网络中，所述卷积神经网络输出所述手指静脉图像的特征向量；

将所述手指静脉图像的特征向量输入图神经网络的卷积神经网络中，图神经网络的卷积神经网络输出每两个所述手指静脉图像的特征向量之间的关系信息；

将所述手指静脉图像的特征向量作为图神经网络的节点嵌入，将每两个所述手指静脉图像的特征向量之间的关系信息作为图神经网络的边嵌入；

循环以下迭代过程，直至图神经网络输出的预测标签与所述手指静脉图像对应的预测标签之间的损失数值符合预设数值，结束迭代过程，该图神经网络为所述图神经网络：图神经网络进行训练得到新的节点嵌入；

将新的节点嵌入输入图神经网络的卷积神经网络中，输出新的边嵌入；

将新的节点嵌入和新的边嵌入分别作为图神经网络的节点嵌入和边嵌入。

3.如权利要求2所述的手指静脉识别方法，其特征在于，还包括：

通过以下公式计算图神经网络输出的预测标签与所述手指静脉图像对应的预测标签之间的损失数值：其中，L表示所有训练样本的损失之和；I表示作为训练样本的手指静脉图像的训练样本子集总数；l表示当前训练样本子集的交叉熵损失；G(Γi；θ)表示图神经网络；Γi表示输入的第i个训练样本子集；θ表示图神经网络的参数；Yi表示输入的第i个训练样本子集对应的预测标签；α表示用来调节训练损失和正则化项权重的超参数；R(θ)表示一种正则化项；N表示输入图神经网络的每个训练样本子集的训练样本总数；K表示输入图神经网络的每个训练样本子集的图像类别数量；yn,k表示第k个图像类别中第n个训练样本对应的预测标签；

hn,k表示图神经网络输出的第k个图像类别中第n个训练样本的预测标签。

4.如权利要求1至3中任一项所述的手指静脉识别方法，其特征在于，所述卷积神经网络，包括：四个串联的块、两个dropout层、一个全连接层以及一个批标准化层，其中，每个块包括

2个卷积层、一个批标准化层以及1个非线性激活层，四个串联的块中第一个块作为所述卷积神经网络的输入端，所述批标准化层作为所述卷积神经网络的输出端。

5.如权利要求1至3中任一项所述的手指静脉识别方法，其特征在于，所述图神经网络包括：

1个卷积神经网络、1个组卷积层、1个批标准化层、1个非线性激活层、一个拼接层、2个块以及1个归一化指数函数层，其中，每个块包括2个卷积层、一个批标准化层以及1个非线性激活层，卷积神经网络作为所述图神经网络的输入端，所述归一化指数函数层作为所述图神经网络的输出端。

6.如权利要求5所述的手指静脉识别方法，其特征在于，所述图神经网络中的卷积神经网络，包括：四个串联的块、一个全连接层以及一个归一化指数函数层，其中，每个块包括1个卷积层、一个批标准化层以及1个非线性激活层，四个串联的块中第一个块作为该卷积神经网络的输入端，所述归一化指数函数层作为该卷积神经网络的输出端。

7.一种手指静脉识别装置，其特征在于，包括：

特征向量提取模块，用于将待识别手指静脉图像输入卷积神经网络中，通过所述卷积神经网络输出所述待识别手指静脉图像的特征向量；

手指静脉识别模块，用于将所述待识别手指静脉图像的特征向量输入图神经网络的卷积神经网络中，所述图神经网络的卷积神经网络输出每两个特征向量之间的关系信息，将所述待识别手指静脉图像的特征向量作为图神经网络的节点嵌入，将每两个特征向量之间的关系信息嵌入作为所述图神经网络的边嵌入，通过所述图神经网络输出所述待识别手指静脉图像的预测标签，其中，所述图神经网络是采用手指静脉图像的特征向量、特征向量之间的关系以及手指静脉图像对应的预测标签训练得到的。

8.如权利要求7所述的手指静脉识别装置，其特征在于，还包括：

训练模块，用于将手指静脉图像输入所述卷积神经网络中，通过所述卷积神经网络输出所述手指静脉图像的特征向量；将所述手指静脉图像的特征向量输入图神经网络的卷积神经网络中，图神经网络的卷积神经网络输出每两个所述手指静脉图像的特征向量之间的关系信息；将所述手指静脉图像的特征向量作为图神经网络的节点嵌入，将每两个所述手指静脉图像的特征向量之间的关系信息作为图神经网络的边嵌入；

循环以下迭代过程，直至图神经网络输出的预测标签与所述手指静脉图像对应的预测标签之间的损失数值符合预设数值，结束迭代过程，该图神经网络为所述图神经网络：图神经网络进行训练得到新的节点嵌入；

将新的节点嵌入输入图神经网络的卷积神经网络中，输出新的边嵌入；

将新的节点嵌入和新的边嵌入分别作为图神经网络的节点嵌入和边嵌入。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的手指静脉识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6中任一项所述的手指静脉识别方法的计算机程序。