1.一种指纹与指静脉比特级融合的生物密钥生成方法，包括生物密钥训练与指纹、指静脉融合生物密钥提取；生物密钥训练通过前期采集的指纹、指静脉样本训练出生物密钥提取矩阵；指纹、指静脉融合生物密钥提取将待提取指纹、指静脉样本经预处理后，乘上生物密钥训练得到的密钥提取矩阵，得到指纹、指静脉融合生物密钥；其特征在于：具体步骤如下：

步骤一、指静脉融合生物密钥训练，具体步骤为：

第一步，用户对同一枚手指指纹、指静脉分别进行多次样本采集，获得3幅以上的指纹灰度图像与指静脉灰度图像，将指纹灰度图像统一缩放到354×354像素大小，指静脉灰度图像缩放至256×64或者256×256像素大小，这一阶段获得的指纹图像标记为第一指纹图像、第一指静脉图像；

第二步，对第一步获得的第一指纹图像、第一指静脉图像分别进行均衡化、收敛、平滑、增强、二值化、细化处理，获得预处理后的第二指纹图像与第二指静脉图像；

第一指纹图像、第一指静脉图像分别进行预处理，得到预处理后图像，两类图像采用的预处理过程基本相同，不同之处只在于若干参数取值差异，将第一指纹图像与第一指静脉图像的预处理过程统一表述为：

1)、分别对第一指纹图像、第一指静脉图像进行均衡化处理；用直方图均衡化方法，该方法是图像处理领域内的通用方法；直方图均衡化公式见式⑴：其中x表示灰度值，在0‑255之间；f(x)表示图像中灰度值为x的点将灰度值调整到f(x)；Dmax＝255，A0为图像的总像素点个数，Hi为图像中灰度值为i的点的个数；

2)、分别对步骤1)获得的均衡化处理后的第一指纹图像、第一指静脉图像进行收敛处理；用二维离散高斯模板算子对图像进行高斯滤波处理，即图像收敛处理；该方法是图像处理领域内的通用方法；二维离散高斯模板算子G可取多套，作为示例取计算公式见式⑵：

其中：f(x，y)表示均衡化处理后的图像中坐标为(x，y)的点所对应的灰度值；

3)、分别对步骤2)获得的收敛处理后的第一指纹图像、第一指静脉图像进行平滑处理；

用平滑模板算子对图像进行平滑处理；该方法是图像处理领域内的通用方法；平滑模板算子T可取多套，作为示例取计算公式见式(3)：

其中，f′(x,y)表示平滑后指纹图像和指静脉图像中坐标为(x，y)的点所对应的灰度值；

4)、分别对步骤3)获得的平滑处理后的第一指纹图像、第一指静脉图像进行图像增强处理；用Gabor函数模板对步骤3)平滑后指纹图像和指静脉图像进行图像增强处理；该方法是图像处理领域内的通用方法；Gabor函数模板可取多套，作为示例取：其中Hw为切向滤波模

板，Vw为法向滤波模板；用图像处理领域内的通用算法，求出指纹图像和指静脉图像的方向场矩阵VMAP；VMAP[x，y]表示坐标为(x，y)的点所对应的方向场值，取值从0°～180°；

用VMAP[x，y]的值确定坐标为(x，y)的点的切线方向(与当前方向垂直的方向)，并取切线方向上与(x，y)点相邻的7个点，每个点用f(x，y)表示；f(x，y)表示指纹图像和指静脉图像中坐标为(x，y)的点所对应的灰度值；f(x，y)与Hw做卷积运算，运算结果赋值给f1(x，y)；

f1(x，y)为平滑后指纹图像和指静脉图像经切线方向增强后，(x，y)点所对应的灰度值；

用VMAP[x，y]的值确定坐标为(x，y)的点的法线方向(切线方向顺时针旋转90°即为法线方向)，并取法线方向上与(x，y)点相邻的7个f1(x，y)点，与Vw做卷积运算，运算结果赋值给f2(x，y)；f2(x，y)为平滑后指纹图像和指静脉图像经切线、法线方向增强后，(x，y)点所对应的灰度值；

5)、分别对步骤4)获得的增强处理后的第一指纹图像、第一指静脉图像进行二值化处理；二值化处理为指纹与指静脉识别领域内的通用算法，直接调取matlab中im2bw()等函数即可实现二值化；

6)、分别对步骤5)获得的二值化处理后的第一指纹图像、第一指静脉图像进行细化处理；图像处理领域有多套成熟的图像细化方法，均可使用；

完成步骤1)～6)，预处理完毕后获得第二指纹图像、第二指静脉图像；

第三步，对第二指纹图像、第二指静脉图像进行盲对齐操作，获得第三指纹图像、第三指静脉图像；前后多次采样的指纹与指静脉图像，虽然采样对象是同一枚指纹，但在采样过程中存在偏移、旋转等问题，使得多次采样的图像之间存在不对齐现象，对齐操作即把多次采样的图像通过偏移、旋转等操作，使得采集对象在图像中的位置基本一致；盲对齐是指对齐过程只利用当前图像自身的特征信息完成，与其余图像无关，无需参照图像；

指纹图像盲对齐具体过程为：

(1)、定位指纹图像中心点；指纹图像奇异点定位过程为指纹识别领域的通用方法，一般通过计算Poincare公式加以确定，假定可能的奇异点坐标为(i，j)，计算Poincare公式见式(4)、⑸、(6)：其中θ为弧度，O′为方向场(方向场计算为本领域内通用方法)，O′(i+εcosθ，j+εsinθ)表示点(i，j)周围微小弧度变化后的方向场值， 表示点(i，j)周围弧度经微小变化后的方向场差值，dδ表示点(i，j)在θ弧度上的方向场变化趋势，Poincare(i，j)对点(i，j)周围一圈求方向场差的积分，再除以2π，即周围的平均方向场差；

令 的点(i，j)被判定为指纹图像的中心点；若有多个中心点，取它

们的质心；若无中心点，则舍弃该副图像，该图像无法作为训练和测试的样本使用；

(2)、将指纹图像在画面中沿x轴、y轴两个方向进行平移，使得指纹图像中心点与画面中心点重合；

(3)、以图像中心点，也即指纹中心点为圆心，ml个像素为半径做圆，ml的具体取值以圆的边沿可以垂直切割指纹纹线为宜，切割点记为z，一般ml取15‑30个像素，根据实际情况决定；如没有垂直切割点，选最接近垂直的切割点，记为z；

(4)连接指纹中心点与点z，作射线，将指纹图像以指纹中心点为圆心进行旋转，旋转结果为指纹中心点与点z作的射线与y轴重合；图像旋转方法取图像处理领域内的通用方法；

至此，指纹图像盲对齐处理完毕；指纹图像盲对齐处理基于如下观察：指纹中心点附近有一片区域，以中心点出发与该区域的点作射线，射线方向与纹线方向接近平行；

指静脉在采集过程中由于采集设备一般会预设卡口，手指都会顶住卡口顶端，使得所采指静脉在长度方向上的位置基本固定，无需对齐；在宽度方向上，由于手指在采集过程中可能左右移动，使得采集的图像依然有可能存在不对齐的地方；据此，指静脉图像盲对齐过程主要考虑指静脉图像宽度方向上的对齐；

具体过程为：

①、对指静脉图像进行边缘检测，提取指静脉边缘图像；

②、指静脉边缘图像为二值化图像，有上下两条边，也能是左右两条边，视图像放置情况而定，对两条边的点集做线性回归运算，得两条直线，；

③、将指静脉图像放置于笛卡尔坐标系中，图像矩形的一定顶点置于坐标系原点，长度方向与x轴平行，宽度方向与y轴平行，整幅图像处于第1象限；

④、计算两条直线的中线，计算方法为：

假定两条直线的坐标方程分别为y1＝a1·x+b1，y2＝a2·x+b2，计算y3为两条直线的中线，其中a1，b1，a2，b2为实数，y1，y2为笛卡尔坐标系中的直线方程；

⑤、将指静脉图像平移及旋转，使得y3与直线 重合；具体方法可先

平移指静脉图像使得y3,y4的中点重合，再旋转指静脉图像使得y3,y4两条直线完全重合；图像平移与旋转方法为本领域内通用方法；

至此，指静脉图像盲对齐处理完毕；

第四步，从第三指纹图像、第三指静脉图像中提取特征点，记录特征点信息，将特征点信息顺次排列成特征向量；特征点一般包含端点、叉点等，运算过程一般先去除伪端点、叉点，用二维笛卡尔坐标系从上到下、从左到右记录特征点坐标值，形成特征向量；

端点提取方法：扫描细化后第三指纹图像、第三指静脉图像中点的周围8个点，如果8个点所有相邻两个点的差的绝对值的和为2×255，则其为端点；

叉点提取方法：扫描细化后第三指纹图像、第三指静脉图像中点的周围8个点，如果8个点所有相邻两个点的差的绝对值的和为6×255，则其为叉点；

端点、叉点提取方法为指纹图像处理领域通用方法；

第五步，对第四步所得特征向量集合进行机器学习，得指纹、指静脉融合特征学习矩阵W1，即生物密钥提取矩阵；指纹、指静脉融合特征学习矩阵W1将顺次拼接的指纹与指静脉特征在比特级上进行了融合计算，融合后的特征比原特征更稳定；

采集多枚不同用户手指的指纹与指静脉样本，同一枚手指重复采集多个样本，经前四步运算后，得到特征向量集合；将集合分成两大类，一类为用户同一枚手指的，另一类为非用户本人的或非当前手指的，称为正负样本集合；

用M＝[M1,M2]表示参加训练的正负样本集合，Mi＝[xi1,xi2,...,xiL],i∈{1,2}表示第id类样本集合，i＝1为正样本，i＝2为负样本；xir∈R ,1≤i≤2,1≤r≤L，xir为一维列向量，为d指纹指静脉拼接后的特征向量，转置后得到一维列向量xir，xir长度为d，R 表示d维实数域，L表示同一枚手指的样本集合中有L次采样得到的样本特征向量，即L个列向量；

d×dz

现在根据两类样本的特点，训练指纹、指静脉融合特征学习矩阵W1∈R ，得式(7):其中 为训练样本的正样本均值， 为训练样本的负样本均值；J为代价函数，反映了训练样本经指纹、指静脉融合特征学习矩阵W1投影后与正负样本集合均值之间的距离差，用欧氏距离计算；

令：

求解矩阵(H1‑H2)的特征值与特征向量，得到指纹、指静脉融合特征学习矩阵W1W1，即(H1‑H2)w＝λw；w为矩阵(H1‑H2)的特征向量，λ为特征值；

{w1,w2,...,wdz}为特征向量，分别对应特征值{λ1,λ2,...,λdz}，其中λ1≥λ2≥...≥λdz≥0，特征值小于0的特征向量不被纳入矩阵W1的构造；W1即为指纹、指静脉融合特征学习矩阵；

至此，指纹、指静脉融合特征学习部分完成，得指纹、指静脉融合特征学习矩阵W1；

步骤二、指纹、指静脉融合生物密钥提取，具体步骤为：

第1步，用户采集指纹与指静脉图像；

第2步，提取指纹与指静脉图像灰度图，能够使用彩色图，彩色图用三通道灰度图来表示；对获得的指纹与指静脉图像进行均衡化、收敛、平滑、增强、二值化、细化处理，获得指纹与指静脉图像预处理后的细化图像；

第3步，对指纹与指静脉细化图像进行盲对齐操作，获得指纹与指静脉盲对齐后图像；

第4步，从指纹与指静脉盲对齐后图像中提取特征点，特征点一般包含端点、叉点等，记录特征点信息；将指纹与指静脉盲对齐后图像分别置于二维笛卡尔坐标系中，从上到下、从左到右记录特征点坐标值，每一个特征点坐标值顺次放入特征向量中，形成指纹与指静脉融合特征向量xt；

第5步，用第一部分训练好的指纹、指静脉融合特征学习矩阵W1，转置后左乘第四步得到T的指纹指静脉拼接后特征向量xt，即W1·xt，得dz维融合后特征向量xtz；

第6步，对xtz的每一维分量进行一次棋盘法运算，进一步稳定特征向量为棋盘法运算过程如式(8)所示：

Λ(x)＝k,(D+1)·k＜xtzi≤(D+1)·k+D,(k＝0,1,…)   (8)；

其中，D为棋盘法的格子大小，取正数，具体值可由用户根据经验选定，一般满足Λ(x)的取值在0～63之间，xtzi为xtz中的每一维分量，Λ(x)量化为整数值；Λ(x)即xtzi量化后的值，为棋盘格子中最接近xtzi点与坐标原点的格子的坐标值；

第7步，取第6步计算结果向量 的前n个分量，n可取16、32、64等数值，一般为2的幂次值，具体情况根据 的有效特征分量数目及生物密钥强度要求决定；将n个分量前后拼接，形成指纹、指静脉融合生物密钥；如n取64，以每个分量取值0～64，可形成4比特密钥计算，结果向量 的前n个分量可形成256bit的密钥序列；

至此，得到指纹、指静脉融合生物密钥。

2.如权利要求1所述的一种指纹与指静脉比特级融合的生物密钥生成方法，其特征在于：步骤(2)中画面是指与指纹图像同等大小的一块区域，为354×354像素大小的一块矩形，该区域的中心点位于笛卡尔坐标系原点，长、宽分别与y轴、x轴平行。