1.一种手掌静脉特征提取的方法，其特征在于，所述方法包括：获取待识别的手掌静脉图像，并利用手掌关键点定位法从所述手掌静脉图像中提取手掌的感兴趣区域图像；

利用改进的朗伯光照模型滤除所述感兴趣区域图像中光照特征，得到去燥图像；

通过对比度均衡化法，对所述去燥图像进行对比度均衡化处理，得到灰度图像；

利用预设的手掌静脉特征提取模型提取所述灰度图像中的手掌静脉特征，其中所述手掌静脉特征提取模型包括通道注意力提取网络、基于通道注意力提取网络构建的SE模块和残差网络；

其中，所述利用预设的手掌静脉特征提取模型提取所述灰度图像中的手掌静脉特征，包括：将所述灰度图像输入至所述通道注意力提取网络提取手掌静脉特征图；

利用所述SE模块将所述手掌静脉特征图通过最大池化和平均池化，选择性的提取所需要的重要的信息，得到两个C×1×1维度的通道语义描述算子，其中两个所述通道语义描述算子的计算公为：PF1＝AvgPooling(X)，PF2＝Maxpooling(X)，PF1和PF2为两个通道语义描述算子，X为手掌静脉特征图；

通过共享的多层感知机，学习选择性提取到的重要的信息，并通过Sigmoid函数去构建不同池化特征对应的注意力权重，其中，所述注意力权重的计算公式为：Att将各注意力权重与手掌静脉特征图相乘，得到经过重新校准的特征，其校准的公式为：Z1＝Att通过Concat操作将校准后的特征拼接起来，通过一维的卷积层对拼接输出的特征进行线性变换得到最终的输出特征，并将最终的输出特征的维度压缩回与所述手掌静脉特征图中的特征相同的维度，其变换公式为：X＝Conv(Concat([Z所述改进的朗伯光照模型通过以下方式得到：

根据手掌的光照反射率构建朗伯光照模型的函数，其中，所述朗伯光照模型的函数为f(x,y)＝R(x,y)×L(x,y)，f(x,y)为最终图像，R(x,y)为目标物体的表面特征，L(x,y)为光照特征，x,y为纵横坐标；

对所述朗伯光照模型的函数两边取对数，对取完对数的算式两边进行滤波和傅里叶变换，得到具有空间域特性的函数；

对具有空间域特性的函数两边取指数，得到改进的朗伯光照模型。

2.根据权利要求1所述的手掌静脉特征提取的方法，其特征在于，所述利用手掌关键点定位法从所述手掌静脉图像中提取手掌的感兴趣区域图像，包括：基于全局定位网络识别所述手掌静脉图像中手掌的定位点；

利用局部定位网络，以各所述定位点为中心，向外扩散识别手指的最低谷位置，得到手掌关键点；

确定所述手掌静脉图像中手掌的轮廓的质心，以及基于各所述手掌关键点构建线段；

以所述质心为中心构建坐标系，将所述手掌静脉图像旋转至所述线段与所述坐标系中的任一坐标轴平行；

基于旋转后的手掌静脉图像，以所述质心为中心选取预设大小的区域，得到手掌的感兴趣区域图像。

3.根据权利要求1所述的手掌静脉特征提取的方法，其特征在于，所述利用改进的朗伯光照模型滤除所述感兴趣区域图像中光照特征，得到去燥图像，包括：将所述感兴趣区域图像输入至改进的朗伯光照模型中，通过所述朗伯光照模型提取光照特征和反射特征；

利用同态滤波将所述光照特征和所述反射特征的乘性关系转换为加性关系；

基于所述加性关系，利用高通滤波器将所述光照特征从所述感兴趣区域图像中滤除，得到去燥图像。

4.根据权利要求1所述的手掌静脉特征提取的方法，其特征在于，所述通过对比度均衡化法，对所述去燥图像进行对比度均衡化处理，得到灰度图像，包括：对所述去燥图像进行二值化处理，得到二值图像；

对所述二值图像进行非线性的拉伸，得到灰度图像。

5.根据权利要求4所述的手掌静脉特征提取的方法，其特征在于，所述对所述二值图像进行非线性的拉伸，得到灰度图像，包括：提取所述二值图像中各像素点的灰度值，并统计每个所述灰度值的像素点出现的次数，基于所述次数计算出对应灰度值的概率；

基于所述概率和预设的灰度变换公式，计算出每个像素点的新灰度值，其中，所述灰度变换公式为基于前后每个灰度值的映射关系构建得到；

基于所述新灰度值调整所述二值图像对应的像素点的灰度，得到灰度图像。

6.一种手掌静脉特征提取的装置，其特征在于，所述装置包括：定位模块，用于获取待识别的手掌静脉图像，并利用手掌关键点定位法从所述手掌静脉图像中提取手掌的感兴趣区域图像；

过滤模块，用于利用改进的朗伯光照模型滤除所述感兴趣区域图像中光照特征，得到去燥图像；

灰度模块，用于通过对比度均衡化法，对所述去燥图像进行对比度均衡化处理，得到灰度图像；

提取模块，用于利用预设的手掌静脉特征提取模型提取所述灰度图像中的手掌静脉特征，其中所述手掌静脉特征提取模型包括通道注意力提取网络、基于通道注意力提取网络构建的SE模块和残差网络；

其中，所述利用预设的手掌静脉特征提取模型提取所述灰度图像中的手掌静脉特征，包括：将所述灰度图像输入至所述通道注意力提取网络提取手掌静脉特征图；

利用所述SE模块将所述手掌静脉特征图通过最大池化和平均池化，选择性的提取所需要的重要的信息，得到两个C×1×1维度的通道语义描述算子，其中两个所述通道语义描述算子的计算公为：PF1＝AvgPooling(X)，PF2＝Maxpooling(X)，PF1和PF2为两个通道语义描述算子，X为手掌静脉特征图；

通过共享的多层感知机，学习选择性提取到的重要的信息，并通过Sigmoid函数去构建不同池化特征对应的注意力权重，其中，所述注意力权重的计算公式为：Att将各注意力权重与手掌静脉特征图相乘，得到经过重新校准的特征，其校准的公式为：Z1＝Att通过Concat操作将校准后的特征拼接起来，通过一维的卷积层对拼接输出的特征进行线性变换得到最终的输出特征，并将最终的输出特征的维度压缩回与所述手掌静脉特征图中的特征相同的维度，其变换公式为：X＝Conv(Concat([Z1,Z2]))，其中Conv为1×1的卷积层；

所述改进的朗伯光照模型通过以下方式得到：

根据手掌的光照反射率构建朗伯光照模型的函数，其中，所述朗伯光照模型的函数为f(x,y)＝R(x,y)×L(x,y)，f(x,y)为最终图像，R(x,y)为目标物体的表面特征，L(x,y)为光照特征，x,y为纵横坐标；

对所述朗伯光照模型的函数两边取对数，对取完对数的算式两边进行滤波和傅里叶变换，得到具有空间域特性的函数；

对具有空间域特性的函数两边取指数，得到改进的朗伯光照模型。

7.一种芯片，其特征在于，包括：第一处理器，用于从第一存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1至5任一项所述的手掌静脉特征提取的方法的各个步骤。

8.一种终端，其特征在于，包括第二存储器、第二处理器以及存储在所述第二存储器中并可在所述第二处理器上运行的计算机程序，其特征在于，所述第二处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的手掌静脉特征提取的方法的步骤。