1.一种基于深度度量学习的指静脉特征提取方法，其特征在于，包括以下步骤：

步骤1，对指静脉原始图像做预处理，提取图像的感兴趣区域；

步骤2，将正负样本对组成的三元组(a,p,n)传入特征提取网络，得到特征三元组；

步骤3，在欧式度量空间上计算损失,然后，将特征三元组传入分类器得到类别概率，并计算在余弦度量空间上的损失，通过反向传播一并优化，在步骤3中，为了让特征提取网络训练时受到欧式度量空间和余弦度量空间的约束，设计了联合损失函数，并提出了带有方向约束的正则项，具体公式如下：式中，α和β是调节因子，用于调节欧式度量空间和余弦度量空间上损失的大小；损失函数第一项是三元组损失，表示在欧式空间中的样本距离度量，其中γ是距离间隔，f(·)表示特征提取函数，表示锚点样本，表示与锚点同类的样本，表示与锚点不同类的样本；其中是方向约束的正则项，用于约束样本更新的方向；损失函数第二项中，将样本特征x与权重w分别归一化，二者的向量点乘结果就为cosθ，表示二者的余弦距离，其中θ为特征x与权重w之间的角度，s是缩放因子，m是类别间隔。

2.如权利要求1所述的一种基于深度度量学习的指静脉特征提取方法，其特征在于：步骤1中，首先获取手指的上下边界，确定手指的位置，其次，根据手指的边界计算出手指的中轴线，反求出手指平面偏移的角度，以便对手指进行旋转矫正，最后寻找手指第二关节的位置，截取感兴趣区域。

3.如权利要求1所述的一种基于深度度量学习的指静脉特征提取方法，其特征在于：步骤2中，所述特征提取网络以ResNet34为基础，根据指静脉图像的特点进行改进，具体做法为：用3×3的小卷积核替换了7×7的的卷积核，让网络在特征提取过程中保留更多的静脉局部细节信息，同时减少了模型参数量，在每个卷积层之前进行批归一化，这样保证网络每一层的数据分布不发生太大的改变，将ReLU激活函数替换为Leaky ReLU激活函数，在每个残差结构的block之后引入了通道注意力机制。