1.一种基于多指标融合预评价的指静脉图像识别方法，其特征在于，包括如下具体步骤：S1，根据数据库中指静脉图像特点选取等效视数、信息熵、灰度标准差和对比度四种评价指标，并通过所述四种评价指标对待测图像进行质量评价，获得四个初始质量评价指标分数；

S2，对得到的四个初始质量评价指标分数进行归一化处理，统一量纲；

S3，将归一化后的四个质量评价指标分数分别作为SVM分类器输入样本向量的一个分量；

S4，确定SVM分类器的核函数以及其他的核心参数，根据这些参数通过训练样本生成SVM分类器；

S5，将采集到的待检测指静脉图像输入SVM分类器得到图像质量评价结果，保留高质量指静脉图像作为识别数据库，删除低质量的指静脉图像；

S6，对采集到的指静脉预处理；

S7，利用方向梯度直方图(HOG)特征提取算法对指静脉图像进行特征提取，同时利用灰度共生矩阵(GLDM)计算指静脉图像的对比度、熵和相关性，并计算这些特征量的标准差和均值，形成另一个六维的特征向量；

S8，利用PCA对提取到的HOG特征向量进行降维，再与灰度共生矩阵提取的特征向量进行加权融合形成融合特征向量HOG‑G；

S9，进行特征匹配，通过则身份认证成功，不通过则身份认证失败。

2.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S1具体包括：S11、获取指静脉原始图像，得到指静脉原始图像的灰度图像P1；任意取指静脉灰度图像其中两个点(x，y)和(x+a，y+b)，设定该点对的值为(i，j)，令点(x，y)在整个图像上扫描，则会形成各种(i，j)值；记录下每一种(i，j)出现的个数，然后将其排列成矩灰度共生矩阵；

S12、所述等效视数，用以下公式表示：

其中μ为静脉图像灰度均值，σ为静脉图像灰度标准差；

用等效视数这一指标可以很好的反应静脉图像纹理的清晰性,体现整幅图像的灰度对比度,等效视数越大,对比度越小,图像越模糊,图像质量越差；

S13、所述信息熵，用以下公式表示：

其中p(i,j)指归一化后的灰度共生矩阵；

信息熵是图像所具有的信息量的度量，表征了图像中的纹理复杂程度，信息熵值越大表示图像的纹理越复杂，图像质量更好；

S14、所述灰度标准差，用以下公式表示：

其中mean指利用归一化后的灰度共生矩阵得到的灰度均值；

灰度标准差越大表示图像中灰度变化越大，对于指静脉而言，图像的纹理变化更加丰富；

S15、所述对比度，用以下公式表示：

对比度可以反映局部灰度变化总量，在一张图像中，如果局部像素的灰度差别越大，则图像的对比度越大，图像的视觉效果更加清晰，图像质量更好。

3.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S2所述的归一化处理，是针对得到的四个质量评价指标的计算结果不完全在同一个数量级上，利用最大最小归一化方法对上述评价指标进行归一化处理。

4.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S3所述的样本向量X的表达式：T

X＝(Qd，Qs，Qb，Qc)     (3‑1)其中，Qd表示指静脉图像的等效视数值，Qs表示指静脉图像的信息熵值，Qb表示指静脉图像的灰度标准差值，Qc表示指静脉图像的对比度值；

同时给每一张图像的类别Y定义两个结果，‑1表示该图像的质量低，为不合格图像；1则表示该图像的质量高，为合格图像。

5.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S4具体包括：S41、核函数主要有线性核、多项式核、径向基核、Sigmoid核等；其中RBF作为线性核函数的一种方法，需要确定的核心参数相较其他核函数而言要少，复杂程度更低，于是选用RBF作为该分类器的核函数；

S42、关于核函数RBF的表达式如下：

2

k(x,x′)＝exp(‑γ1||x‑x′||)      (4‑1)其中γ1为RBF的半径；

S43、根据给定的参数惩罚系数C与γ计算误分率，利用如图4所示的十折交叉验证法计算误分率；

S44、利用网格参数寻优法，找到最下误分率下的C与γ的数值组合，并确定最终的SVM分类器模型。

6.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S6具体包括：对采集到的指静脉图像进行灰度化处理。

7.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S7具体包括：S71，Gamma校正，利用Gamma校正得到的归一化处理图像，能够有效减少图像局部的阴影和光照变化所造成的影响，其公式如下：其中I为当前像素值，γ2为灰度系数；

S72，计算指静脉图像两个不同方向的梯度，再计算每个像素点的梯度大小和方向；用T[‑1,0,1]梯度算子对处理后的图像做卷积运算，得到x方向的梯度分量grx，用[1,0,‑1] 梯度算子对处理后的图像做卷积运算，得到y方向的梯度分量gry；然后再计算该像素点的梯度大小和方向；其计算公式如下：grx(x,y)＝P(x+1,y)‑P(x‑1,y)    (7‑2)gry(x,y)＝P(x,y+1)‑P(x,y‑1)    (7‑3)其中grx(x,y)表示图像中某一像素点(x,y)处的水平方向梯度，gry(x,y)表示像素点的垂直方向梯度，P(x,y)表示该点的像素值；

S73，计算像素点的梯度幅度和梯度方向；其计算公式如下：其中gr(x,y)表示像素点的梯度幅度，而α(x,y)表示该点的梯度方向；

S74，构建细胞单元的梯度方向直方图；

S75，Block梯度强度归一化；

S76，提取HOG特征向量H1；

S77，任意取图像其中两个点(x1，y1)和(x1+a，y1+b)，设定该点对的值为(i，j)，令点(x，y)在整个图像上扫描，则会形成各种(i，j)值；记录下每一种(i，j)出现的个数，然后将其排列成矩灰度共生矩阵,计算灰度共生矩阵的对比度、信息熵和相关性；其计算公式如下：S78，计算灰度共生矩阵相关特征的均值和标准差，形成6维的特征向量G1(g1,g2…g6)。

8.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S8所述的加权融合的计算公式如下：其中H表示HOG特征的均值，α表示HOG特征的方差；

其中G表示灰度共生矩阵特征的均值，β表示灰度共生矩阵特征的方差；

其中HOGG表示融合后的特征向量。