1.一种基于区块链和大数据的金融交易系统，包括：

用户注册模块，采集用户的指纹图像和指静脉图像；提取采集的指纹图像和指静脉图像的指纹特征向量，将指纹特征向量加密后上传至区块链网络；

用户认证模块，接收用户的认证请求后，对用户的指纹图像和指静脉图像进行用户认证；

交易验证模块，在接收到用户认证通过的结果时，将交易信息和认证通过结果上链，通过智能合约执行转账操作；

风险控制模块，对区块链中存储的用户的生物特征图像进行大数据分析，通过聚类算法对不同用户的指纹图像和指静脉图像进行聚类，并基于聚类结果训练异常检测模型；利用异常检测模型对采集到的用户的指纹图像和指静脉图像进行检测，预警风险；

其中，用户认证模块，包括指静脉特征校验单元；

指静脉特征校验单元采用基于动态时间弯曲DTW算法的Vessel Code链码序列匹配方法，对提取的指静脉特征和存储在区块链上的指静脉特征模板进行匹配，得到最优匹配距离Ddtw，包括：以提取的用户的指静脉图像的Vessel Code链码序列作为参考序列CK，以存储在区块链上的指静脉特征模块的Vessel Code链码序列作为待匹配序列DP；

构建参考序列和待匹配序列之间的累积距离矩阵；

利用动态规划算法搜索累积距离矩阵，获取参考序列与待匹配序列之间的最优匹配路径；

计算最优匹配路径上的累积距离和，作为参考序列和待匹配序列之间的最优匹配距离Ddtw，将Ddtw作为提取的指静脉特征和存储在区块链上的指静脉特征模板之间的相似度；

计算最优匹配距离Ddtw，包括：

根据参考序列CK和待匹配序列DP，设置累积距离矩阵的行数和列数，并初始化矩阵的第一行元素D(0,j)和第一列元素D(i,0)；

获取参考序列CK的第i个码元与待匹配序列DP的第j个码元之间的距离度量d(i,j)，根据如下公式计算累积距离矩阵的元素D(i,j)：D(i,j)＝w(i,j)×d(i,j)+min{D(i‑1,j‑1),D(i‑1,j),D(i,j‑1)}其中，w(i,j)表示时间权重系数，用于调整不同时间点码元匹配的权重；

D(i‑1,j‑1)表示累积距离矩阵中位置(i‑1,j‑1)处的元素值，即将参考序列CK的第i‑1个码元匹配到待匹配序列DP的第j‑1个码元时的累积距离；D(i‑1,j)表示累积距离矩阵中位置(i‑1,j)处的元素值，即将参考序列CK的第i‑1个码元匹配到待匹配序列DP的第j个码元时的累积距离；D(i,j‑1)表示累积距离矩阵中位置(i,j‑1)处的元素值，即将参考序列CK的第i个码元匹配到待匹配序列DP的第j‑1个码元时的累积距离；

在计算每个累积距离矩阵的元素D(i,j)的过程中，获取对应元素D(i,j)在矩阵中的位置索引，根据位置索引构建用于搜索匹配路径的前驱元素索引矩阵；

从累积距离矩阵的右下角元素D(M,N)开始，根据前驱元素索引矩阵记录的位置信息，反向搜索到累积距离矩阵的左上角元素D(1,1)，得到参考序列和待匹配序列之间的最优匹配路径P；其中，最优匹配路径P由多个匹配码元对(i,j)组成的序列；

根据最优匹配路径P上各个匹配码元对(i,j)的距离度量d(i,j)，计算最优匹配路径P的累积距离和，作为参考序列CK和待匹配序列DP之间的最优匹配距离Ddtw。

2.根据权利要求1所述的基于区块链和大数据的金融交易系统，其特征在于：用户注册模块，包括：

指纹采集单元，采集用户的指纹图像；

指静脉采集单元，采集用户的指静脉图像；

特征提取单元，提取指纹图像和指静脉图像的特征，得到指纹特征和指静脉特征；

特征融合单元，将提取的指纹特征和指静脉特征进行融合，得到用户的多模态生物特征向量，作为提取的指纹特征向量；

加密单元，将提取的指纹特征向量进行加密并上传区块链。

3.根据权利要求2所述的基于区块链和大数据的金融交易系统，其特征在于：提取指纹特征，包括：

对采集的指纹图像进行预处理；

将预处理后的指纹图像划分为多个nxn的图像块；

对每个图像块进行二维梅勒小波变换，采用Haar小波基函数，通过对图像行和列分别进行两层一维小波分解，得到每个图像块的一个低频子带系数矩阵和三个高频子带系数矩阵；

对每个图像块的二维梅勒小波变换结果进行降采样，提取低频子带系数矩阵中2x2个系数作为对应图像块的梅勒系数，形成一个4维梅勒系数向量；

根据图像块在原始指纹图像中的位置顺序，将各个图像块的4维梅勒系数向量首尾相连，得到一个4nx4n维的指纹特征向量；

对得到的4nx4n维的指纹特征向量进行PCA主成分分析，提取前k个主成分对应的特征值，构成降维后的指纹特征向量；

将降维后的指纹特征向量，作为提取的指纹特征。

4.根据权利要求3所述的基于区块链和大数据的金融交易系统，其特征在于：提取指静脉特征，包括：

对采集的指静脉图像进行预处理；

对预处理后的指静脉图像，采用改进的Frangi滤波器进行血管图像增强；

对血管图像增强后的指静脉图像，进行二值化处理，提取血管骨架像素点；

根据血管骨架像素点，通过细化算法提取单像素宽度的血管骨架线；

对血管骨架线进行拓扑结构分析，获取所有血管分叉点的像素坐标位置；

以血管分叉点为起始点，沿相连的血管骨架线的像素点的中心位置进行8邻域Freeman链码跟踪，得到每段分叉血管的Freeman链码序列；

将各个血管的Freeman链码序列首尾相连，拼接得到指静脉图像的Vessel Code链码序列，作为指静脉特征。

5.根据权利要求4所述的基于区块链和大数据的金融交易系统，其特征在于：采用改进的Frangi滤波器进行血管图像增强，包括：分别计算预处理后的指静脉图像在x方向和y方向上的一阶导数 和 以及二阶导数 和根据得到的一阶导数和二阶导数，构建Hessian矩阵H，对Hessian矩阵进行特征值分解，得到两个特征值λ1和λ2，其中|λ1|≤|λ2|；

设置血管径向一阶导数和二阶导数的比值 将Rb作为血管径向变化各向异性衡量因子，构建改进的Frangi滤波器血管响应函数：其中， 为Hessian矩阵的Frobenius范数，σ表示滤波尺度，参数β和c分别控制血管响应函数对Rb和F的敏感度；

设置一个尺度集合{σi|i＝1,2,......,n}，在每个尺度σi下，利用高斯平滑函数G(σi)与输入指静脉图像I进行卷积，得到尺度空间L(σi)＝G(σi)×I；

在每个尺度空间L(σi)中，利用改进的Frangi滤波器血管响应函数，得到相应尺度下的血管响应值图像VF(σi)；

对得到的各个尺度σi下的血管响应值图像VF(σi)，取像素最大值，得到最终的多尺度血管增强图像VFmax，作为血管图像增强后的指静脉图像；

其中，VFmax＝max{VF(σi)|i＝1,2,......,n}。

6.根据权利要求2所述的基于区块链和大数据的金融交易系统，其特征在于：用户认证模块，包括：

接收单元，接收用户的认证请求；

指纹特征校验单元，接收用户认证请求后，将提取的指纹特征与存储在区块链上的指纹特征模块进行相似度计算，当计算得到的相似度小于阈值时，触发指静脉特征校验；

指静脉特征校验单元，采用基于动态时间弯曲DTW算法的Vessel Code链码序列匹配方法，对提取的指静脉特征和存储在区块链上的指静脉特征模板进行匹配，得到最优匹配距离Ddtw；

认证结果输出单元，当指纹特征校验通过且指静脉特征校验单元输出的最优匹配距离Ddtw小于等于距离阈值Tdtw时，输出认证通过的最终结果，反之，输出认证失败的结果。

7.根据权利要求2至6任一所述的基于区块链和大数据的金融交易系统，其特征在于：风险控制模块，包括：

数据获取单元，从区块链网络中获取加密后的指纹特征和指静脉特征，并进行解密；

聚类分析单元，采用改进的K‑means聚类算法对解密后的指纹特征和指静脉特征分别进行聚类分析，根据余弦相似度度量将不同用户的指纹图像和指静脉图像划分为不同的聚类簇，获得指纹图像聚类结果和指静脉图像聚类结果；

异常检测单元，根据指纹图像聚类结果和指静脉图像聚类结果，利用正常指纹特征样本和对应的异常指纹特征负样本，以及正常指静脉特征样本和对应的异常指静脉特征负样本，训练孤立森林异常检测模型；利用训练后的孤立森林异常检测模型，对指纹图像和指静脉图像进行检测，提取特征向量，计算特征向量与对应聚类中心的余弦距离，如果余弦距离超过异常阈值，这判断对应数据点为异常，输出风险预警信号；

预警输出单元，将风险预警信号发送给交易验证模块。

8.根据权利要求7所述的基于区块链和大数据的金融交易系统，其特征在于：采用改进的K‑means聚类算法对解密后的指纹特征和指静脉特征分别进行聚类分析，包括：设置不同的聚类数K值，对解密后的指纹特征和指静脉特征，分别进行K‑means聚类，得到不同K值下的指纹图像聚类结果和指静脉图像聚类结果；

对于每一个K值下的指纹图像聚类结果和指静脉图像聚类结果，计算每个聚类内数据点与聚类中心的平均余弦相似度，作为聚类的内部紧凑性度量；计算每个聚类中心与其他聚类中心的平均余弦相似度，作为聚类的外部分离性度量；

根据聚类的内部紧凑性度量与聚类的外部分离性度量，计算不同K值下指纹图像聚类结果和指静脉图像聚类结果的轮廓系数；

通过比较不同K值下的轮廓系数，选择轮廓系数最大时对应的K值作为最优聚类数；

以最优聚类数对应的指纹图像聚类结果和指静脉图像聚类结果，作为最终的聚类分析结果。