1.一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述方法包括以下步骤：

1)采集手掌静脉图像；

2)对采集到的静脉图像进行预处理

二值化提取出手掌，进行手掌关键点定位，采用各向异性扩散进行平滑处理，采用对数灰度变换对静脉图像进行增强；

3)对增强后的静脉图像采用基于子空间的2DPCA和2DFLD相结合的特征提取算法提取其特征，投影到识别空间，过程如下：首先采用2DPCA算法进行特征的降维，将待训练样本图像Aij构建协方差矩阵S，计算协方差的特征值λi和对应的特征向量ui，然后将特征值和对应的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数L，根据特征维数把相应的特征向量作为投影空间G；

接下来用二维线性判别分析找到最佳投影方向，使得各个不同的类在这个方向上能够比较清晰的辨别开，提取的是最佳分类特征。将图像Aij，样本均值 类均值 在刚才得到的投影空间G中进行投影，到对应投影空间中的Bij, 同时构建类内离散度矩阵Hw，类间离散度矩阵Hb，计算 的特征值ki，和对应的特征向量li，按特征值由大到小的顺序排序，取前L个特征值对应的特征向量作为最佳的投影方向矩阵W；

4)在投影空间采用Hausdorff距离进行用户身份的匹配。

2.如权利要求1所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，首先采用2DPCA算法进 行特征的降维，假设待训练图像矩阵Aij为m×n，设模式类别有c个ω1,ω2,ω3,…,ωc，每类有训练样本ni个，将待训练样本图像Aij构建协方差矩阵，公式如式(5)：其中，M为训练样本的总数， 为训练样本的总体均值矩阵；

接着计算协方差矩阵S的特征值λi和对应的特征向量ui，然后将特征值和对应的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数L，根据特征维数把相应的特征向量作为投影空间G＝[u1,u2,u3,…,uL]；

接下来用二维线性判别分析找到最佳投影方向，使得各个不同的类在这个方向上能够比较清晰的辨别开，提取的是最佳分类特征。将样本图像Aij，总体样本均值 每类均值 在刚才得到的投影空间G＝[u1,u2,u3,…,uL]中进行投影，到对应投影空间中的Bij, 如式(6)所示：T

Bij＝G Aij

同时构建类内离散度矩阵Hw，类间离散度矩阵Hb，定义如公式(7)所示：其中，M为训练样本的总数，ni为每类训练样本数；

根据fisher准则函数定义如公式(8)所示：

X就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特征向量，得到如公式(9)所示：-1

HwX＝λHwX Hw HbX＝λX (9)

-1

当类内散布矩阵Hw非奇异时，对应矩阵Hw Hb的最大特征值对应的特征矢量，即使得准则函数J(X)最大化时的X，即为最佳投影方向X，所以计算 的特征值ki，和对应的特征向量li，将特征值由大到小的顺序排序；

取前L个特征值对应的特征向量作为最佳的投影方向矩阵

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵Cij如公式(10)所示：Cij＝AijW (10)。

3.如权利要求1或2所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤1)中，通过双波长近红外LED和高清CCD的手掌静脉前端采集装置采集到手掌静脉图像。

4.如权利要求1或2所述的一种基于两种子空间相融合的掌静脉特征 提取和匹配方法，其特征在于：所述步骤2)中，采用了Otsu算法进行静脉图像的二值化。

5.如权利要求4所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，采用分块局部极值的算法进行手掌关键点定位，首先选择小拇指与无名指的交叉点，以及食指与中指的交叉点，作为用来提取感兴趣区域的两个关键点。

通过上一步得到的手掌二值化图像，提取其手掌的轮廓，分别求出每一个轮廓点到底部手腕处的距离，把手掌的轮廓对应距离保存到三维数组X(x,y,d)，其中(x,y)为轮廓点的位置坐标，d为轮廓点到底部手腕处的距离。首先将数组分成20份，找到距离d的局部极值，从而确定两个关键点。

6.如权利要求5所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，找到小拇指和无名指之间的点P2与中指和食指之间的点P1，将P1和P2连成一条线，获得其与手腕的水平方向的夹角进行图像θ角度，其中P1点坐标为(XP1,YP1)，P2点坐标为(XP2,YP2)，旋转的角度θ如式所示(3)：将整个掌静脉图像按照θ角度旋转，最终获得ROI为矩形有效区域ABCD，下一步将对其进行尺度归一化。

7.如权利要求6所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，采用各向异性扩散进行平滑处理是引入一个系数来控制图像不同的区域的扩散速度，其数学 算式可表示为：u(x,y；0)＝u0(x,y)

其中u0(x,y)为图像的像素值， 是梯度算子，div是散度算子，g(·)是扩散系数，各向异性扩散主要在于降低细节，也可表示为图像梯度大的区域的平滑，其中扩散系数g(·)被定义为：其中k控制梯度细节被保留的程度，|·|是绝对值算法，由此平滑力度在静脉区域会被设为低于非静脉区域，从而去除噪声同时保持静脉的细节。

8.如权利要求7所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，对静脉图像进行增强，对数灰度变换公式如式(4)所示：g(x)＝bc[f(x)-a]-1 (4)

其中，参数b，c是用来调整曲线的位置和形状；a相当于平移量，在灰度没有达到a时皆将输入定位为0，c用于控制变换速率，b用于控制曲线形状。

9.如权利要求1或2所述的一种基于两种子空间相融合的掌静脉特征提取和匹配方法，其特征在于：所述步骤4)中，在投影空间采用Hausdorff距离进行用户身份的匹配，具体如下：设有两个手掌静脉特征点集A＝{a1,…,ap},B＝{b1,…,bq}，则这两个点特征集合之间的Hausdorff距离定义如公式(11)(12)：H(A,B)＝max(h(A,B),h(B,A)) (11)其中：

h(A,B)＝max(a∈A)min(b∈B)||a-b|| (12)h(B,A)＝max(b∈B)min(a∈A)||b-a||

||·||是点集A和B点集之间的距离范数，双向Hausdorff距离H(A,B)是单向距离h(A,B)和h(B,A)两者中的较大者,它度量了两个特征点集间的最大不匹配程度；则待识别的特征点集与每一类特征点集计算其Hausdorff距离，Hausdorff距离越小，则最大不匹配程度越小，即把待识别样本归为Hausdorff距离越小的一类。