1.一种基于区块链和生物多特征识别及多源数据融合的身份识别方法，其特征在于，包括如下步骤：

(1)设获取到的无线网络列表初始图像数据集为W，由网络图片转换为的文本数据集为WT，利用CURE算法对文本数据集中WT中生成的网络样本点进行聚类和标记，并根据离群点和聚合点计算投票数标记为SC1；

(2)设获取到的人脸初始图像数据集为Fa，将提交图片与人脸初始图像数据集Fa进行特征值识别，获取相似度分值，记为SC2；

(3)输入语音信号数据集S3，对语音信号数据集S3的语音信号进行预加重、分帧处理，获得MFCC特征参数，通过GMM高斯混合模型得到声纹相似度分值，记为SC3；

(4)将获取的计算投票数SC1、相似度分值SC2、声纹相似度分值SC3作为输入，并对特征分值建立两两比较的对比矩阵，利用AHP方法对计算投票数SC1、相似度分值SC2、声纹相似度分值SC3进行融合计算得出AHP权重，记为N；

(5)将签到数据根据权重进行融合，并建立数据表，将融合结果进行加密，并将融合结果作为最终签到结果进行存储，通过网页端输出，并按照融合签到结果与特征签到结果生成不同签到表，供用户下载。

2.根据权利要求1所述的基于区块链和生物多特征识别及多源数据融合的身份识别方法，其特征在于，步骤(1)具体包括如下内容：(1.1)输入无线网络列表初始图像数据集W，定义集合X为待识别对象上传图片数，定义函数len(X)表示集合X的长度，令W＝{W1，W2，…，WM}，其中，WM表示W中第M张图像，M∈[1,len(W)]；

(1.2)定义循环变量i1，用于遍历W，i1∈[1,len(W)]，i1赋初值为1；

(1.3)如果i1≤len(W)则进入步骤(1.4)，否则进入步骤(1.10)；

(1.4)对Wi1进行去噪处理,得到Deno_Si1；

(1.5)将去噪图像Deno_Wi1做图像增强处理，得到增强图像Enhance_Wi1；

(1.6)对增强图像Enhance_Wi1进行缩放处理,得到缩放图像zom_Wi1；

(1.7)对缩放图像zom_Wi1进行特征提取,得到特征图像sha_Wi1；

(1.8)利用字符分类器对特征图像sha_Wi1进行字符识别并提取出字符信息，得到的字符信息放到WT中；

(1.9)i1＝i1+1，进入步骤(1.3)；

(1.10)WIFI信息字符提取结束；

(1.11)定义循环变量Bt，并赋初值Bt＝0，定义最大循环次数Bn为当前发送图片的用户人数；

(1.12)定义一张哈希表FS记录投票及待识别对象信息，键为SF表示待识别对象提交的图片信息，定义另一张表Cm表示待识别对象获得的投票数，FS表的值为哈希表Cm，Cm的键为当前发送图片对应的待识别对象名，值为该待识别对象获得的票数；

(1.13)Bt所对应的SF在FS中存在；

(1.14)将FS作为父表，新建一张哈希表Cmi添加入父表FS；

(1.15)Bt对应的投票在Cm中存在；

(1.16)新建键为Bt对应的投票对象，值为1并存储进Cm中；

(1.17)将获取的WT转换为不同的热点S，利用CURE算法取出随机的热点作为随机样本点Si；

(1.18)将随机样本点Si分割为组记为Pi；利用CURE算法对Pi聚类，聚类出的聚类点标记为Gi，离群点标记为Oi；

(1.19)根据离群点与聚类点将Cm中对应投票的值+1或‑1记为H,并定义总投票数为H1；

(1.20)得票数H与总得票数H1的比值记为SC1；

(1.21)如果SC1<ω，则判定位置验证失败，即当前待识别对象提交网络图片信息与其他待识别对象提交的网络图片信息不匹配，其中ω为根据验证总数与投票数设定的网络图片信息相似度阈值。

3.根据权利要求1所述的基于区块链和生物多特征识别及多源数据融合的身份识别方法，其特征在于，步骤(2)具体包括如下内容：(2.1)定义人脸检测目标object，并建立用于存储待识别对象信息和人脸信息的表，记为Fa；定义函数len(Fa)为集合Fa长度，令Fa＝{Fa1，Fa2，…，Fas}，其中，Fas表示Fa中第S张图像，S∈[1,len(Fa)]；

(2.2)定义循环变量j1，用于遍历Fa，j1∈[1,len(Fa)]，j1赋初值为1；

(2.3)遍历Fa，如果j1≤len(Fa)，则跳转到步骤(2.4)，否则结束遍历Fa，跳转到步骤(2.21)；

(2.4)对Fa采用Haar特征处理；

(2.5)加载Adaboost分类器并对Fa进行检测和分割，循环检测object的人脸；

(2.6)定义当前关键帧人脸取得标志状态d_flag,其中，d_flag为1时表示object检测到人脸,d_flag为0时表示object未检测到人脸；

(2.7)若d_flag＝1，则跳转到步骤(2.8)，否则跳转到步骤(2.17)；

f

(2.8)对人脸区域Fa进行归一化处理，获得人脸归一化区域F；

(2.9)对人脸归一化区域F利用LBP特征算子进行人脸LBP特征的提取,获得人脸特征直f

方图F；

(2.10)如果系统已有检测目标object，则跳转到步骤(2.11)，否则跳转到(2.16)；

f

(2.11)输入检测图像G，利用卡方距离分别计算所述检测图像G的人脸特征直方图G；

f f f f f

(2.12)利用卡方距离计算所述人脸特征直方图集合F＝{F1 ,F2 ，…,Fn ,…FN}中每个f f f

人脸特征直方图的距离，并进行归一化处理获得人脸特征距离集合DIS＝{dis1 ,dis2，…,f f f f f

disn ,…disN}；disn表示所述检测图像G的人脸特征直方图G与Fa人脸特征直方图Fa的人脸特征距离；

f f f f f

(2.13)对人脸特征距离集合DIS＝{dis1 ,dis2 ，…,disn ,…disN}进行自适应加权融合处理，将融合后的特征距离按升序排列，获得最优特征距离集合DISopt；

(2.14)若最优特征距离集合DISopt中的任一元素都大于所设定的距离阈值，则跳转到步骤(2.16)，否则跳转到(2.15)；

(2.15)识别成功，返回所述最优特征距离集合DISopt中最小距离所对应人的身份信息；

Wf,Wp Wf,Wp Wf,Wp Wf,Wp对所述初始特征距离集合{dis1 ,dis2 ，…,disn ,…disN }进行升序排序，并计算前Y个特征距离的平均值Mean(Y)以及第Y+1个特征距离到第N个特征距离的平均值Mean(N‑Y)；1<＝Y<＝N；

利用式(1)进行自适应可靠判断，获得相似分值δ＝Mean(N)‑Mean(N‑Y)；

(2.16)创建新的检测目标，创建每个检测目标的特征列表，存于Fa中；

(2.17)如果系统已有跟踪目标object，则跳转到步骤(2.19)，否则跳转到步骤(2.20)；

(2.18)将提取到的特征添加到每个检测目标的特征列表；

(2.19)使用卡尔曼观测器预测object中每个检测目标下一帧所在位置,清除长时间未匹配到目标的检测器；

(2.20)i1＝i1+1，进入步骤(2.3)；

(2.21)得到视频帧人脸位置集合Fa＝{Fa1，Fa2，…，Fas}的特征相似度分值SC2，其中，Fas表示Fa中第S张图像。

4.根据权利要求1所述的基于区块链和生物多特征识别及多源数据融合的身份识别方法，其特征在于，步骤(3)具体包括如下内容：(3.1)输入语音信号数据集记为S3；

(3.2)对语音信号进行预加重、分帧处理；对分帧处理后的每帧语音信号进行加窗、傅里叶变换、Mel频率滤波器组滤波和离散余弦变换，获得MFCC特征参数，得到MFCC序列；

(3.3)利用MFCC序列训练GMM高斯混合模型，得到GMM高斯混合模型的特征参数序列X3；

(3.4)对语音信号进行分帧处理，分为T段，对每段语音信号计算MFCC序列，记为Yt；

(3.5)对声纹特征向量序列Yt＝{Y1，Y2,Y3，…，YN}处理，求出GMM高斯混合模型的特征参数λ,使得特征向量序列Yt的似然概率最大；

(3.6)将所有T段MFCC序列Yt前后串接得到用户声纹特征序列Ya，将序列Ya输入GMM高斯混合模型计算后验概率，得到声纹相似度分值SC3。

5.根据权利要求1所述的基于区块链和生物多特征识别及多源数据融合的身份识别方法，其特征在于，步骤(4)具体包括如下内容：(4.1)将人脸、声纹识别数据和热点数据作为准则层C1、C2、C3；

(4.2)定义签到结果分别为K1、K2、K3作为方案层；

(4.3)定义最终签到率最高为O作为目标层；

(4.4)定义判断矩阵的标度方法，该标度方法用于对两个因素进行比较，并确定两个因素的重要程度；

(4.5)针对准则层、方案层和目标层，利用层次分析法建立判断矩阵，计算最大特征根λmax，对λmax做归一化处理后记为Nor，并计算一致性比率CR1；

(4.6)如果CR1<0.1则进入步骤(4.5)，否则进入步骤(4.7)；

(4.7)对准测层与目标层进行层次总排序计算出一致性比率CR2；

(4.8)对准测层与方案层进行层次总排序计算出一致性比率CR3；

(4.9)如果CR1<0.1则进入步骤(4.8)，否则进入步骤(4.7)。

(4.10)根据CR2和CR3决策得出权重值N。

6.根据权利要求1所述的基于区块链和生物多特征识别及多源数据融合的身份识别方法，其特征在于，步骤(5)具体包括如下内容：(5.1)根据步骤(4)获得的权重值N，对人脸、声纹、热点签到信息进行加权融合，获得最终融合结果，记为A；

(5.2)定义考勤系统数据库表名Sid，Sname，Swifi，Sage，Sface，Svoice，SFU分别为单个待识别对象的ID、姓名、无线网络列表图片、年龄、人脸图片、语音中特征标签、考勤数据融合表，满足St＝{Sid，Sname，Swifi，Sage，Sface，Svoice，SFU}；

(5.3)定义循环变量St，并赋初值St＝0，定义最大循环次数Sn为当前发送图片的待识别对象人数；

(5.4)如果St

(5.5)新建一张考勤数据融合表SFU；

(5.6)将权重值N与对应特征值进行融合写入考勤数据融合表SFU；

(5.7)将步骤(1)、(2)、(3)获取的计算投票数SC1、相似度分值SC2、声纹相似度分值SC3写入表Swifi，Sface，Svoice中；

(5.8)设定计算投票数SC1、相似度分值SC2、声纹相似度分值SC3的融合阈值δ，如果A>δ；

跳转步骤(5.9)，否则跳转至步骤(5.10)；

(5.9)待识别对象本次签到结果标记为“成功”写入数据库表SFU中；

(5.10)待识别对象本次签到结果标记为“错误”写入数据库表SFU中；

(5.11)将数据库表St中信息通过网页端输出，并按照融合签到结果与特征签到结果生成不同签到表，供用户下载。