1.一种基于多特征阈值融合的手指静脉识别方法，其特征在于包括以下步骤：步骤1、构造多个标准差的二维高斯模板，高斯模板表达式如下：

式(1)中，x和y取值由二维高斯函数标准差σ与高斯模板中标准差因子t共同决定，二维高斯模板正方形窗口边长为p＝2×t×σ+1，因此x和y取值均为[-p,p]。σ取值可变，并且决定着窗口的大小，不同窗口大小对应提取不同粗细的静脉；

步骤2、先求出二维高斯模板的一阶偏导数h'x(x,y)h'y(x,y)，二阶偏导数h″xx(x,y)h″yy(x,y)，混合偏导数h″xy(x,y),并用这5个偏导数模板分别卷积图像矩阵得到图像矩阵的5个偏导数H'x,H'y,H'xx,H'yy,H′xy，再用方向导数公式求四个角度的一阶、二阶方向导数；

坐标轴x轴方向为0°，y轴为90°；

式(2)(3)中 取0°,45°,90°,135°。将方向导数代入曲率公式(4)，得到静脉图像在各方向上对应的曲率值，并求四个方向最大曲率值保存为静脉图像的最终曲率值，如式(5):式(5)中k为最终提取的曲率特征，为四个方向上最大曲率值；

步骤3、改变标准差σ，选取合适的多个标准差的提取结果进行曲率特征融合；融合公式如式(6)所示：式(6)中kσ1为标准差取σ1的二维高斯模板提取的曲率结果，kσ2为标准差取σ2的二维高斯模板提取的曲率结果，K为两个标准差提取结果的融合结果；

步骤4、曲率灰度特征分解，按照式(7)(8)将曲率特征按照正负区域分别归一化得到背景曲率灰度特征K0和静脉曲率灰度特征K1；

式(7)(8)中，K是曲率灰度图像，K_min和K_max分别是将曲率灰度图像矩阵值按照从小到大和从大到小排序的两个向量；取K_min的前10个值的平均值作为负区域归一化的上限，取K_max的前10个值的平均值作为正区域归一化的上限，减轻图像边缘的曝光突变对曲率结果的影响；

步骤5、曲率细线特征提取，曲率灰度图像K经过二值化，滤波，细化得到细线特征；

步骤6、曲率灰度特征单独识别阈值计算

背景曲率灰度特征和静脉曲率灰度特征同属于曲率灰度特征，本文计算矩阵的相关系数来表示曲率灰度特征的相似度；相关系数计算公式如式(9):式(9)中Ka,Kb为两个由曲率灰度特征矩Cov意为计算两个曲率灰度特征Ka,Kb的协方差，Var意为计算两个曲率灰度特征Ka,Kb的方差；记背景曲率灰度特征识别阈值为T0，静脉曲率灰度特征识别阈值为T1；

步骤7、曲率细线特征单独识别阈值计算

曲率细线特征阈值采用修正的Hausdorff距离算法计算；对于A与B两个曲率细线特征，MHD计算公式如式(10)(11):T2(A,B)＝max(d(A,B),d(B,A))  (11)式(10)中d为A到B的最小平均距离，式(11)中T2为A与B的MHD阈值；先计算A中某点Am到B中所有点Bn的距离，其中1≤n≤N共N个点；然后求出最小值，遍历A中所有M个点并求平均值；再从B到A重复一遍，取两者较大值作为A与B间的MHD阈值；

步骤8、三种特征阈值T0,T1和T2融合，获取融合后的最终阈值T；

步骤9、匹配识别：

阈值越大表示图像相似度越高，识别验证表达式如式(13):

式(13)中Ts为根据图像库计算得到的识别阈值，不同的认假率对应有不同的识别阈值，T为两幅手指静脉图像计算出的匹配的最终阈值，根据式(13)能够判断两幅手指静脉图像是否来源于同一个手指。

2.根据权利要求1所述的一种基于多特征阈值融合的手指静脉识别方法，其特征在于步骤8所述的融合的实现，具体如下：由于曲率灰度特征和曲率细线特征是不同维度的特征，其阈值计算方式不同，因此三种阈值融合顺序是先进行两区域曲率灰度特征的阈值融合，得到二者最佳的权重α及新阈值，再与曲率细线特征阈值融合得到权重β及最终阈值T，表达式如式(12):T＝(1-β)(αT0+(1-α)T1)+βT2  (12)

式(12)中T0,T1,T2分别为背景曲率灰度特征，静脉曲率灰度特征和曲率细线特征的归一化百分制阈值，α为阈值T0,T1的融合权重，β为阈值T2与T0,T1融合阈值的融合权重。

3.根据权利要求1所述的一种基于多特征阈值融合的手指静脉识别方法，其特征在于步骤曲率细线特征提取，具体实现如下：二值化处理采用局部动态阈值分割算法，利用窗口内的均值和方差得到阈值，对曲率灰度图K进行二值化，采用连通区域滤波去噪，再用查表细化法得到曲率细线特征。