1.一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，其特征在于：所述方法包括以下步骤：

1)采集到掌静脉、掌纹图像，做感兴趣区域ROI提取；

2)对输入的ROI图像做基于小波变换和Gabor滤波器的图像层融合，过程如下：采用二维Mallat算法进行小波分解ROI提取之后的掌纹掌静脉，分解后得到低频分量、水平边缘的高频分量、竖直边缘、对角线的高频分量图像；

通过小波变换得到图像的低频和高频分量，其中低频分量包括图像的近似信息，高频分量包含图像的细节信息，采用Gabor滤波器对高频子图像进行纹理的增强；

采用如下融合规则：

a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用二维Mallat快速算法对图像进行重构，得到融合后的图像；

3)对得到的融合图像采用基于子空间的特征提取；

4)采用最近邻分类器进行分类。

2.如权利要求1所述的一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，其特征在于：所述步骤2)中，采用二维Mallat算法进行小波分解，设高通滤波器H和低通滤波器G是两个一维镜像滤波算子，它们的下标r和c分别表示行和列，那么在j-1的尺度上Mallat分解公式表示为如式(1)：

这里，Cj, 分别对应于图像Cj-1的低频分量，以及竖直方向、水平方向和对角线上的高频分量，Hr,Hc,Gr,Gc表示的是滤波算子分别对图像的行和列进行卷积；

得到掌纹和手掌静脉图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后，采用二维Gabor滤波器进行增强，二维Gabor滤波器由高斯包络和复平面波两个部分组成，函数形式如式(2)所示：

其中，σx,σy表示沿x轴和y轴高斯包络的标准差，f表示滤波器的中心频率；

掌纹在手掌中的走势以水平方向和竖直方向为主，掌纹和静脉的低频分量都具有很好的区分度，掌纹和掌静脉在水平方向和垂直方向的高频分量信息较明显，其他方向上的高频分量不明显，采用如下融合规则：a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个；

b)图像的水平和竖直方向高频融合系数采用掌纹和静脉的加权平均；

最后采用二维Mallat快速算法对图像进行重构，如式(3)：I(x,y)＝ω-1(φ(G(ω(I1(x,y),ω(I2(x,y)))))   (3)其中，ω表示小波变换，ω-1表示小波逆变换，φ是融合规则，I1和I2分别表示掌纹和掌静脉图像，G代表Gabor滤波器变换。

3.如权利要求1或2所述的一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，其特征在于：所述步骤1)中，通过850nm近红外LED、红色LED光源和高清CCD的前端采集装置分别采集手掌静脉、掌纹图像，定义小拇指与无名指之间的点为P1，坐标为(XP1,YP1)，中指和食指之间的点P2，坐标为(XP2,YP2)，连接P1与P2，则线段P1P2与水平线的夹角为θ，将手掌图像逆时针旋转θ角度，旋转的角度θ如式(4)所示：

这里，把线段P1P2作为矩形的宽，矩形的高H＝1.2×P1P2，在线段P1P2下方40个像素点处截取矩形作为ROI图像。

4.如权利要求1所述的一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，其特征在于：所述步骤3)中，基于子空间的特征提取过程如下：首先，采用2DPCA算法进行特征的降维，假设待训练图像矩阵Aij为m×n，设模式类别有c个ω1,ω2,ω3,…,ωc，每类有训练样本ni个，将待训练样本图像Aij构建协方差矩阵，公式如式(5)：

其中，M为训练样本的总数， 为训练样本的总体均值矩阵；

接着，计算协方差矩阵S的特征值λi和对应的特征向量ui，然后将特征值和对应的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数L，根据特征维数把相应的特征向量作为投影空间G＝[u1,u2,u3,…,uL]；

接下来，用二维线性判别分析找到最佳投影方向，使得各个不同的类在这个方向上能够比较清晰的辨别开，提取的是最佳分类特征，将样本图像Aij，总体样本均值 每类均值在刚才得到的投影空间G＝[u1,u2,u3,…,uL]中进行投影，到对应投影空间中的Bij,如式(6)所示：

同时构建类内离散度矩阵Hw，类间离散度矩阵Hb，定义如公式(7)所示：

其中，M为训练样本的总数，ni为每类训练样本数；

根据fisher准则函数定义如公式(8)所示：

X就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特征向量，得到如公式(9)所示：HbX＝λHwX Hw-1HbX＝λX   (9)

当类内散布矩阵Hw非奇异时，对应矩阵Hw-1Hb的最大特征值对应的特征矢量，即使得准则函数J(X)最大化时的X，即为最佳投影方向X，所以计算 Hb的特征值ki，和对应的特征向量li，将特征值由大到小的顺序排序；

取前L个特征值对应的特征向量作为最佳的投影方向矩阵W＝[l1,l2,l3,…,lL]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵Cij如公式(10)所示：Cij＝AijTGW   (10)。

5.如权利要求1或2所述的一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法，其特征在于：所述步骤4)中，每一幅掌纹掌静脉原始图像对应一幅融合图像，每一幅融合图像对应一个特征矩阵，对于要测试的掌纹、静脉样本，将图像融合后，在特征子空间中投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，最终采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

其中，m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为Cij，其中每一个样本都有一个特定的类别ωi，测试样本经过投影后的特征为C，若它们满足条件如式(12)关系：d(C,Cij)＝mind(C,Cij)；Cij∈ωi   (12)则测试样本属于ωi类。