1.一种基于深度相关特征学习的指静脉识别方法，其特征在于：包括以下步骤：步骤1：对指静脉图像进行采集并对图像进行ROI截取；

步骤2：对截取的图像进行手指轴向旋转校正，并进行特融合；

步骤3：对指形进行特征提取；

步骤4：对指形的纹理特征进行匹配；

其中，所述步骤2中，手指轴向旋转校正的具体流程为：S1:采用Gabor滤波对原始的ROI图像进行增强；

S2:将其中一幅图像作为基准图像，另一幅图像作为搜索图像，将搜索图像置于基准图像上方，并与基准图像重叠三分之一，计算两幅图像的重叠区域的皮尔森相似度；

S3:再将搜索图像进行平移，直至搜索图像与基准图像的剩余部分重合，并且移动一次计算一次皮尔森相似度，将最大的皮尔森相似度对应的重叠区域作为两幅图像的最相似区域，并根据最相似区域的位置对ROI图像进行截取获得带匹配图像的共同区域；

特征融合的具体流程为：

S1:利用支持向量机SVM对匹配图像纹理结构特征进行分类，根据分类结果计算所有特征向量到分类超平面的距离，作为纹理结构特征匹配分数；同时利用卡方距离得到匹配图像DOCH匹配分数；

S2:对纹理结构特征匹配分数和DOCH匹配分数分别设置互补权重，权重和为1；

S3:根据设定的步长将其中一个权重值从0遍历到1，另一个权重值也由权重和计算，每个权重值对应一个等误率值，取最小的权值作为最终权值。

2.根据权利要求1所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，其中所述皮尔森相似度的计算方法为：假设两个带匹配图像按行展开后的向量为X，Y，均指分别为μ，ν。协方差为cov(X＜,y)，标准方差为σX，σY；

则 相似 度为 ： c ov (X ,Y) ＝E ( (X ‑ν) (Y‑μ) ) ，

3.根据权利要求1所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，所述步骤1中，指静脉图像通过透射成像进行获取。

4.根据权利要求1所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，所述步骤1中，对图像进行ROI截取方法为：S1:对采集到的手指静脉图像进行边缘检测，检测出手指的上下边缘；

S2:将手指上下边缘的中心点进行拟合得出手指中位线，计算中位线与水平线之间的角度，根据角度将指静脉图像进行水平旋转校正；

S3:根据手指上下边缘中距中位线最近点的坐标，对指静脉图像进行水平截取；

S4:根据指关节位置确定ROI区域横向长度，得出ROI区域。

5.根据权利要求1所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，所述步骤3中，指形特征提取的方法为：S1:将获取的图像宽度与质心边缘距离特征进行分块处理，转化为二值图像，获取其均值方差序列；

S2:将宽度和质心边缘距离的均值方差序列分别通过曼哈顿距离计算得到匹配分数；

S3:将两种分数进行加权求和得到最终的指形特征分数。

6.根据权利要求1或5所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，所述步骤4中，特征匹配的方法的方法为：S1:将所述步骤2中的DOCH匹配分数和纹理结构特征匹配分数进行归一化加权融合，获得指静脉匹配分数；

S2:将步骤3中获取的指形特征分数进行归一化；

S3:将指静脉分数与指形分数进行分级融合，得到最终的匹配分数。

7.根据权利要求5所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，所述图像宽度与质心边缘距离特征获取方法为：S1:根据所述二值图的轮廓边缘确定用于指形特征提取的手指区域M；

S2:在区域M内每一列获取一个宽度值，组成手指的宽度向量；

S3:测量质心与每一列的上下边缘点之间的距离得到质心上边缘距离下边缘距离，将二者串接构成质心边缘距离。