1.一种面向模糊指静脉图像的动态识别方法，其特征在于包括如下步骤：步骤1、采集红外手指静脉图像，通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型；

步骤2、在构建高斯金字塔模型时，引入拉普拉斯金字塔模型；该拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；

步骤3、提出一种加权的模糊度检测函数，计算得到的图像模糊度指标；

步骤4、对采集的手指静脉图像提取稳定的二值图特征；

步骤5、对于不同模糊程度的手指静脉图像，采用动态的分割参数获取静脉特征细线图，并将静脉特征细线图分成两个点集X和Y；

步骤6、使用基于细线的修正豪斯多夫距离距离作为识别方法，计算点集X和Y相似度统计量；

步骤7、取相似度统计量中最大值H(X,Y)作为2个点集间的细线距离顺序统计量；

步骤8、根据步骤3中计算得到的图像模糊度指标，判断是否识别成功。

2.根据权利要求1所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤1具体实现如下：高斯金字塔模型的图像集合用Gau(G,L)来表示，其中G代表尺寸组，L代表尺度层；使用双线性插值法将原图尺寸大小归一化为P×Q,并置于第一尺寸组，第一尺度层为Gau(1,1)；

同一尺寸下，尺度层由一系列经过不同参数高斯滤波后的图像组成，如公式(1)所示，式中，w为高斯滤波函数，σ为滤波系数，n为滤波函数的窗口大小，k′为尺寸组序号，k为尺度层序号；

Gau(k′,k+1)＝Gau(k′,k)*w[n2,(k-1)σ]        (1)。

3.根据权利要求2所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤2具体实现如下：拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；用Lap(G,L)表示拉普拉斯金字塔图像：Lap(G,L)＝Gau(G,L)-Gau(G,L+1)        (2)。

4.根据权利要求3所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤3具体实现如下：提出一种加权的模糊度检测函数，如公式(3)、(4)所示，其中G为所选尺寸组，Sn为各层尺度层的高频质量分数，M为指静脉图像模糊度指标，μ1,μ2,μ3,μ4为权重系数，r和c为所选尺寸组的尺寸大小，为固定值；

M＝μ1S1+μ2S2+μ3S3+μ4S4           (4)。

5.根据权利要求4所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤4具体实现如下：先对原图进行图像归一化操作，然后采用NiBlack分割静脉；根据M的大小，若M小于模糊度指标阈值，则判断为模糊图像，反之则为正常图像；根据图像的模糊程度采用动态参数的NiBlack方法，相关计算公式如公式(5)、公式(6)、公式(7)所示：式(5)中，ρ为窗口大小，f(i,j)为手指静脉图像中坐标点(i,j)的灰度值，ave(i,j)为其邻域的灰度平均值；式(6)中，var(i,j)为其邻域的灰度方差；

式(7)中，T(i,j)为坐标点(i,j)的动态分割阈值，λ为修正系数；

T(i,j)＝ave(i,j)+λ×var(i,j)         (7)。

6.根据权利要求5所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤5具体实现如下：对于不同模糊程度的手指静脉图像，采用动态的分割参数，调整参数ρ和λ，使得特征提取更准确；对分割出的静脉二值化图像进行细化处理，删除多余的毛刺和伪静脉，得到最终的静脉特征细线图。

7.根据权利要求5或6所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤6具体实现如下：根据步骤5中得到的静脉特征细线图构成两个点集X和Y，两个点集的相似度统计量计算如下，其中Dm(X,Y)表示点集X到点集Y的有向距离， 和 为点集X中的横纵坐标，m为点集X中的个数：

8.根据权利要求7所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤7具体实现如下：取Dm(X,Y)和Dn(Y,X)中的最大值H(X,Y)作为2个点集间的细线距离顺序统计量:H(X,Y)＝max(Dm(X,Y),Dn(Y,X))          (9)。

9.根据权利要求8所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤8具体实现如下：根据步骤3中计算得到的图像模糊度指标，判断识别模式是正常识别还是模糊识别，分别采用设定正常识别阈值T1和模糊识别阈值T2进行识别；若正常识别模式下，式(9)中H(X,Y)小于阈值T1或模糊识别模式下，H(X,Y)小于阈值T2，则判断识别成功，两幅红外手指经脉图像来源于同一根手指。