目录
一、指纹验证
1、什么是指纹验证
在OpenCV中，指纹验证是一种图像处理技术，用于识别和验证人类指纹。指纹是一种独特的生物特征，每个人的指纹都具有独特的纹路和图案。指纹验证使用这些独特的特征来确认一个人的身份。
指纹验证主要包括两个步骤：指纹图像的提取和指纹图像的匹配。
在指纹图像提取阶段，OpenCV会处理输入的图像，通过一系列的图像处理和特征提取算法，提取出指纹图像中的纹路和图案。
在指纹图像匹配阶段，OpenCV会将提取的指纹图像与一个或多个预先存储的指纹模板进行比对。比对过程中，OpenCV会计算两幅指纹图像之间的相似度，并根据相似度的阈值进行判断。
如果两幅指纹图像的相似度超过了设定的阈值，OpenCV将判断它们属于同一个人，否则判断它们属于不同的人。指纹验证可以应用于许多领域，如安全系统、身份识别和刑事调查等。
2、步骤
1）图像采集
通过摄像头或扫描仪等设备获取人的手指指纹图像。
2）图像预处理
对采集到的指纹图像进行预处理，包括图像增强、去噪、增强对比度等操作，以便更好地提取指纹特征。
3）特征提取
在预处理后的图像中提取指纹的特征，常用的方法包括细化、方向计算、特征点定位等。
4）特征匹配
将提取的指纹特征与预先存储的指纹模板进行匹配。匹配算法可以使用比对指纹特征向量之间的相似度，如欧氏距离、汉明距离等。
5）相似度比较
根据匹配得到的相似度进行比较，判断两幅指纹图像是否属于同一个人。可以根据设定的阈值进行判断，超过阈值则认为匹配成功，否则认为匹配失败。
6）结果输出
根据匹配结果输出验证结果，可以是通过图像显示、文本信息或其他方式进行输出。
二、案例实现
1、完整代码
import cv2
def cv_show(name, img):
cv2.imshow(name,img)
cv2.waitKey(0)
def verification(src,model): # 判断src图与模版图片model一致性
# 创建SIFT特征提取器
sift = cv2.SIFT_create()
kp1,des1 = sift.detectAndCompute(src,None) # 输入参数为图片、掩码图像，返回图片src的关键点坐标与关键点描述符
kp2,des2 = sift.detectAndCompute(model, None) # 计算模版图片的关键点和描述符
# 创建FLANN匹配器，FLANN是一个高效的算法，用于在大规模数据集中执行最近邻搜索
flann = cv2.FlannBasedMatcher()
# 使用k近邻匹配(des1中的每个描述符与des2中的最近两个描述符进行匹配)
# 对des1中的每个描述符在des2中查找两个最近邻
matches = flann.knnMatch(des1,des2,k=2) # 对待验证图与模版图进行匹配，返回匹配成功的点之间的欧式距离、测试图像的索引、样本图像的索引
# distance:匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近。
# queryIdx:测试图像的特征点描述符的下标(第几个特征点描述符)，同时也是描述符对应特征点的下标。
# trainIdx:样本图像的特征点描述符下标，同时也是描述符对应特征点的下标。
# 进行比较筛选
ok = [] # 存放匹配成功的点的坐标
for m,n in matches: # 遍历匹配成功点对应的两组欧氏距离，m为最近的一对点，n为次近的一对点
# 根据lowe's比率测试，选择最佳匹配
if m.distance < 0.8 * n.distance: # 判断如果最近的比上次近的大小小于0.8，那么认为这是个正确的匹配
ok.append(m) # 将正确匹配的点存入列表
# 统计逋过筛选的匹配数量
num = len(ok)
if num >= 500: # 判断如果匹配数量大于500，则认为匹配成功
result = "认证通过"
else:
result = "认证失败"
return result
if __name__ == '__main__':
src1 = cv2.imread("src1.BMP") # 导入待验证图
cv_show('src1', src1)
src2 = cv2.imread("src2.BMP")
cv_show('src2', src2)
model = cv2.imread("model.BMP") # 导入模版图
cv_show('model',model)
result1 = verification(src1,model) # 放入函数进行判断
result2 = verification(src2,model)
print('src1验证结果为：',result1)
print('src2验证结果为：',result2)
2、实现结果
调试模式：
三、指纹识别案例
1、展示指纹库图片
2、待验证指纹图
3、看完整代码
import re
import cv2
import numpy as np
import sys
import os
def getNum(src, model): # 输入待验证图与模版图
img1 = cv2.imread(src)
img2 = cv2.imread(model)
sift = cv2.SIFT_create() # 创建sift特征提取器
kp1,des1 = sift.detectAndCompute(img1, None) # 提取待验证图片和模版图的关键点和描述符信息
kp2,des2 = sift.detectAndCompute(img2, None)
flann = cv2.FlannBasedMatcher() # 建立Flann匹配器，其用来匹配大规模数据速度快
matches = flann.knnMatch(des1,des2,k=2) # 使用匹配器的K近邻算法匹配待匹配图片与模版图片，匹配两个最近距离
ok = []
for m,n in matches: # 判断距离比例值是否小于0.8，是则将这一对点存入列表
if m.distance < 0.8 *n.distance:
ok.append(m)
num = len(ok) # 返回匹配成功的匹配数目
return num
"""获取指纹编号"""
def getID(src, database):
max = 0
for file in os.listdir(database): # 使用os.listdir读取database文件夹内的每一个文件
model = os.path.join(database, file) # 智能的将database的路径和file的路径结合成一个新的路径
num = getNum(src,model) # 将待验证图片src与提取出来的模版图model放入函数进行匹配，返回匹配成功的点的对数
print("文件名:",file,"匹配数:",num)
if num > max: # 判断匹配成功的个数并不断更新max的值
max = num # 如果遇到最大匹配个数，那么将这个个数更新到max值，然后再更新模版图片的地址
name = file
ID = re.match(r'^(\d+)?\.([\S\s]+)$',name)[1] # 正则匹配模版图片的文件名前缀
if max < 100: # src图片不一定是库里面人的指纹，判断匹配成功的数量是否小于100，小于则说明库里没有对应的指纹
ID = 9999
return ID # 返回对应的图片名称
"""根据指纹编号，获取对应姓名"""
def getName(ID):
nameID = {0:'张三',1:'李四',2:'王五',3:'赵六',4:'朱老七',5:'钱八',
6:'曹九',7:'王二麻子',8:'andy',9:'Anna',9999:"没找到"}
name = nameID.get(int(ID))
return name
"""主函数"""
if __name__ == '__main__':
src = "src.BMP"
database = "database"
ID = getID(src, database)
name = getName(ID) # 将得到的ID导入函数判断待验证指纹的人的姓名
print("识别结果为:",name)
运行结果：
