1.一种基于八邻域和二次匹配的手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，采用高斯滤波对图像进行去噪处理，采用直方图均衡化对图像进行增强；

3)对增强后的静脉图像进行细化裁剪

用Niblack图像阈值分割法进行阈值分割，采用中值滤波进行去噪处理，再进行图像的细化和裁剪；

4)对裁剪后的图像在八邻域中进行特征点提取，采用局部结构关系匹配和欧式距离匹配相结合的匹配方式，过程如下：采用八邻域算法进行特征点提取，在八邻域中，当前点P的八个邻域点(P1…P8)，p1…p8表示P1…P8的灰度值，交叉数Cn(P)的定义为式(1)：以及在八邻域中，纹线的点数Sn(P)定义为式(2)：

特征点类型判别条件：

a)当Cn(P)＝1且Sn(P)＝1，则P为端点；

b)当Cn(P)＝3且Sn(P)＝3，则P为三叉点；

c)当Cn(P)＝4且Sn(P)＝4，则P为四叉点；

一个特征点包含以下信息：点的类型s，点的坐标位置(i,j)，点在脊线上的方向角度θ，选取与中心特征点距离大于ro的最近5个点(P1,P2,P3,P4,P5)作为此中心点的邻域特征点，利用这5个邻域点和该中心点的距离信息、坐标信息和角度信息一起构造出局部特征向量；

在建立好局部特征向量之后，对特征向量进行第一步匹配识别，假设待识别掌静脉图像A，采集得到其特征点为A＝(A1(i1,j1,s1,θ1),....AN(iN,jN,sN,θN))表示掌静脉A上有N个特征点，与之匹配的模板中的任一掌静脉B，其特征点为B＝(B1(i1,j1,s1,θ1),....BM(iM,jM,sM,θM))表示掌静脉B中有M个特征点；

匹配的过程为：将B的M维向量组与A的N维向量组进行比较，把A中的每个特征点分别与B中的每个特征点进行一一匹配，根据匹配结果，得到N×M个匹配值，将匹配值记录在矩阵FN×M中；

计算完成之后，在矩阵F的每一行标记出匹配值最大且不为0的元素，这些元素的性质保证特征点Ai和Bj是一一对应的关系，标记出每一行的最大元素之后求其总和，将其总和记为匹配值UAB，初步匹配的判决条件为Z＝100×UAB×UAB/N×M，设置判决值上下限，即最低下限Zmin和最高上限Zmax，当Z

然后根据特征点的欧式距离进行二次匹配，经过初步匹配，不能确定是否匹配的静脉图像A和B，A有N个特征点，B有M个特征点，图像A的特征点坐标表示为 B的特征点坐标表示为 将A的第一个点 分别和B的M个点进行

距离的求解，得到M个距离值，取最小值记为d1j，重复上述步骤，一共得到N个最小距离值，记为d1j,...dNj(1≤j≤N)，在这些最小值中，求其最大值dmax，与设定的阈值D进行比较，若dmax≤D，则匹配成功，A和B为同一类图像，若dmax≥D，则A与B属不同类的图像，结果为不匹配。

2.如权利要求1所述的一种基于八邻域和二次匹配的手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。

3.如权利要求1或2所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，采用全局阈值法中的固定阈值进行静脉图像的二值化，将阈值定义为T，则灰度图像f(x,y)二值化变换过程用式(3)所示：

4.如权利要求3所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，提出了局部求点的方法，求出每个边缘点到图像底部的距离，根据距离求得图像的极值点，根据极值点确定每个手指之间的交叉点；截取图像上半部分进行距离计算。

5.如权利要求4所述的一种基于八邻域和二次匹配的手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θ，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(4)：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。

6.如权利要求5所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，尺寸归一化矩阵方式如式(5)所示：其中(u,v)表示缩放前的坐标，(x,y)表示缩放后的坐标，a表示的是横坐标的缩放比，b表示纵坐标的缩放比；a>1是指横向放大，01是指纵向放大，0

7.如权利要求6所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，采用直方图均衡化对图像进行增强，直方图均衡化用式(6)表示：其中，rg为转换前的灰度值，T(rg)为对灰度值rg的直方图均衡化函数，w为0到rg之间的变量，s为转换后的灰度值， 代表灰度r的概率分布函数。

8.如权利要求1或2所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，用Niblack图像阈值分割法进行阈值分割，采用中值滤波进行去噪处理，再进行图像的细化和裁剪，过程如下：对图像的每个像素点，在它的r×r的邻域内计算出邻域内像素点的方差和均值，然后根据式(7)进行图像二值化：T(x,y)＝m(x,y)+k×s(x,y)    (7)

其中结果T(x,y)为所求阈值，m(x,y)为该像素点在邻域内的灰度均值，k为预先设定的修订值，s(x,y)为该像素点邻域内的灰度标准方差，m(x,y)和s(x,y)的计算过程如式(8)和(9)所示：其中f(i,j)为像素点(i,j)的灰度值。

9.如权利要求8所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，细化图像使图像细化后的静脉图像脊线位于原始脊线的中间位置，并且保持着脊线的连通性，细节信息和拓扑结构；

采用条件细化算法细化图像，对像素点建立3×3的模版，其中一共有9个相邻的像素点，将掌静脉图像中的血管点标为1，背景点标为0，对模版中心点P5标记为1，而邻域中的8个点至少有一个标记为0的点进行以下条件的判断：a)2≤N≤6；

b)S＝1；

c)P2×P4×P6＝0且P4×P6×P8＝0或者P2×P4×P8＝0且P2×P6×P8＝0；其中N是邻域中非0的点的个数，S是P1...P4和P6...P9点从0到1变化的次数，上述条件如果都满足，则将P5删去。

10.如权利要求9所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，进行图像裁剪过程如下：查找每个像素点的邻域范围，通过查找8邻域中的值为1的像素点个数，判断该点是否为交叉点或端点，并标记交叉点和端点位置，根据预先认定的裁剪的长度值和记录分支中端点到交叉点之间的像素距离进行比较，若距离小于设定长度，则将端点到交叉点的整段静脉纹路裁减。