1.一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述方法包括以下步骤：

1)采集到掌手指静脉图像；

2)对采集到的图像做基于最大内切矩阵感兴趣区域提取；

3)将处理后的图像基于散射卷积网络的手指静脉特征提取，过程如下：先得到多分辨率小波函数，然后对ROI图像进行小波变换得到第一层的散射系数，再对第一层的散射结果进行第二次散射，得到第二次的散射系数，最后将每一个散射能量块的能量均值和方差组成图像的特征向量；

4)通过支持向量机SVM进行分类。

2.如权利要求1所述的一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述步骤3)中，基于散射卷积网络的手指静脉特征提取过程如下：通过二进制缩放和旋转带通滤波函数ψ，得到多分辨率小波函数如式(1)：ψλ(x)＝22jψ(2jr-1x)                  (1)式中λ＝2jr∈Λ＝G×R，j∈R，r∈G，G是R2内一个离散的、有限的旋转组，j确定了ψ(x)的尺度，r确定了ψ(x)的方向；

然后对信号f(x)进行小波变换如式(2)：

Wλf(x)＝f*ψλ(x)                   (2)因此，小波变换模为式(3)：

Uλf(x)＝|f*ψλ(x)|             (3)对于一幅给定的图像f(x)，其原始图像的散射系数为信号的均值，通过与均值滤波器φJ卷积得到式(4)：S0,J(f)＝f*φJ                  (4)对原始图像在不同方向和不同尺度中做小波变换，得到第1层散射系数，然后去除复杂项和取均值得到式(5)：式中j1表示尺度，λ1表示方向；

将式(5)中得到的小波变换模算子 在另一个不同尺度、不同方向中进行小波变换，如式(6)所示：式中j2＜J，从小波变换的定义中看出，当 时， 的值极小，忽略不计，只需要计算当j1＞j2的情况即可；

继续这个过程得到第k层的散射网络系数如式(7)所示：式中，jk＜...＜j2＜j1＜J，(λ1,...,λk)∈Γk；

经过对上述过程的分析，得出第k层散射变换可以得到 个散射向量，每一个散射向量可以表示为一张能量分布图，其中p表示为方向数，J表示为尺度数；

将散射卷积网络的前两层散射能量特征作为手指静脉识别的相似性度量特征，即第一层散射卷积变换中，这些图像分别由原始图像经过5个尺度和6个方向的小波变换得到，总共有30张散射能量分布图，在第二层散射卷积变换，所以第二层散射卷积变换中可以得到

360张散射能量分布图，最后将每一个散射能量块的能量均值和方差组成图像的特征向量，一张手指静脉ROI图像总共可以得到包括第0层的原图的782个散射特征。

3.如权利要求1或2所述的一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述步骤1)中，通过850nm近红外LED和高清CCD的前端采集装置采集手指静脉图像。

4.如权利要求2所述的一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述步骤2)中，采用otsu算法来自动选取阈值进行二值化，设图像二值化的阈值为T，前景点数占图像比例为w0，平均灰度为u0，背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为式(8)：u＝w0×u0+w1×u1                      (8)前景和背景图像的方差为如式(9)：

Sb＝w0×w1×(u0-u1)×(u0-u1)            (9)从L个灰度级遍历T，使得T为阈值时，前景和背景的方差最大；

采用形态学图像处理中的开操作对二值化后的图像轮廓进行平滑处理，开操作是采用

3×3数值为1的结构元先对图像做腐蚀，然后再对腐蚀后的图像做膨胀；

根据二值化的图像得到去除背景后的手指静脉图像；

计算每一列的像素灰度值总和L如式(10)：

然后采用长度为21的滑动窗口分别去搜索第50列到250列、第250列到450列这2个范围，计算出每21列像素和相加的值，找到最大值对应的列为A、B，然后将A移50列得到l1、B右移50列得到l2，最后通过求l1、l2之间的最大内切矩阵得到最终的手指静脉ROI区域；

对获取到的ROI图像进行尺寸的归一化，保证每张ROI图像的大小一样，采用缩放的方法如式(11)：其中a，b分别表示延x方向和延y方向的缩放比例，u，v表示缩放后的坐标，x，y是u，v变换到原图的坐标，在使用的过程中，为了避免图像的扭曲，a和b的数值趋于相等。

5.如权利要求1或2所述的一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述步骤4)中，采用SVM分类器对样本进行训练，训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个SVM，对于k个训练集进行训练，得到k个训练文件，对于要测试的特征向量，分别利用这k个训练文件进行测试，得到k个测试结果f1(x),f1(x),…,fk(x)，最终，去测试结果中的值最大的作为该特征向量的分类结果。