当前位置： 首页 > news >正文

O3.3 opencv指纹识别

news 2025/9/13 5:40:48

一·指纹识别

逻辑

  1. 导入必要的库

python

import os
import cv2

导入os库用于操作系统相关的操作，如文件和目录的操作；导入cv2库（OpenCV）用于图像处理和计算机视觉任务。

  1. 计算两个指纹间匹配点的个数

python

def getNum(src, model):img1 = cv2.imread(src)img2 = cv2.imread(model)sift = cv2.SIFT_create()  # orb_create()kp1, des1 = sift.detectAndCompute(img1, None)kp2, des2 = sift.detectAndCompute(img2, None)flann = cv2.FlannBasedMatcher()matches = flann.knnMatch(des1, des2, k=2)ok = []for m, n in matches:if m.distance < 0.8 * n.distance:ok.append(m)num = len(ok)return num
  • getNum函数接受两个参数，src表示待识别指纹图像的路径，model表示数据库中指纹图像的路径。
  • 使用cv2.imread分别读取这两个指纹图像。
  • 创建cv2.SIFT_create()对象来进行 SIFT 特征提取（代码中注释了orb_create()，可能是之前考虑过使用 ORB 特征提取）。
  • 对两个图像分别调用detectAndCompute方法，同时检测关键点并计算描述符。kp1和kp2分别是两个图像的关键点列表，des1和des2分别是对应的描述符。
  • 创建cv2.FlannBasedMatcher()对象，这是一种基于快速近似最近邻搜索（FLANN）的匹配器。
  • 使用knnMatch方法进行 K 近邻匹配，k = 2表示对每个描述符在另一组描述符中寻找 2 个最近邻。
  • 通过遍历匹配结果，使用比率测试（如果第一个最近邻的距离小于第二个最近邻距离的 0.8 倍）来筛选出较好的匹配点，将这些匹配点添加到ok列表中。
  • 最后返回匹配点的数量。
  1. 获取指纹编号

python

def getID(src, database):max = 0for file in os.listdir(database):model = os.path.join(database, file)num = getNum(src, model)print("文件名:", file, "匹配点个数：", num)if num > max:max = numname = fileID = name[0]if max < 100:  # src图片不一定是库里面人的指纹ID = 9999return ID

  • getID函数接受待识别指纹图像路径src和数据库目录路径database。
  • 初始化最大匹配点数max为 0。
  • 使用os.listdir遍历数据库目录中的所有文件。
  • 对于每个文件，使用os.path.join构建完整的文件路径model。
  • 调用getNum函数计算待识别指纹与当前数据库指纹的匹配点个数num，并打印文件名和匹配点个数。
  • 如果当前匹配点个数大于max，更新max并记录对应的文件名name。
  • 取文件名的第一个字符作为指纹编号ID。
  • 如果最大匹配点数小于 100，认为待识别指纹可能不属于数据库中的任何人，将ID设为 9999。
  • 最后返回指纹编号ID。
  1. 根据指纹编号，获取对应姓名

python

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
  • getName函数接受指纹编号ID。
  • 定义一个字典nameID，将指纹编号映射到对应的姓名。
  • 使用字典的get方法，根据ID获取对应的姓名。如果ID不存在于字典中，get方法返回None，但这里通过设置字典默认返回值为 “没找到” 来处理这种情况。
  • 最后返回姓名。
  1. 主函数

python

if __name__ == "__main__":src = "src.BMP"database = "database"ID = getID(src, database)name = getName(ID)print("识别结果为：", name)

  • 在主程序入口，定义待识别指纹图像路径src为"src.BMP"，数据库目录路径database为"database"。
  • 调用getID函数获取指纹编号ID。
  • 使用ID调用getName函数获取对应的姓名name。
  • 最后打印识别结果

代码

import os
import cv2
"""===============计算两个指纹间匹配点的个数===================="""
def getNum(src, model):img1 = cv2.imread(src)img2 = cv2.imread(model)sift = cv2.SIFT_create()  # orb_create()kp1, des1 = sift.detectAndCompute(img1, None)kp2, des2 = sift.detectAndCompute(img2, None)flann = cv2.FlannBasedMatcher()matches = flann.knnMatch(des1, des2, k=2)ok = []for m, n in matches:if m.distance < 0.8 * n.distance:ok.append(m)num = len(ok)return num
"""============获取指纹编号================"""
def getID(src, database):max = 0for file in os.listdir(database):model = os.path.join(database, file)num = getNum(src, model)print("文件名:", file, "匹配点个数：", num)if num >max:max = numname = fileID = name[0]if max < 100:  # src图片不一定是库里面人的指纹ID = 9999return ID
"""==========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)print("识别结果为：", name)

二·指纹验证

逻辑

  1. 导入必要的库

python

import cv2

导入cv2库，即 OpenCV 库，用于图像处理和计算机视觉任务。

  1. 定义图像显示函数

python

def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)

cv_show函数用于显示图像。它接受两个参数：name是显示图像窗口的名称，img是要显示的图像。函数内部使用cv2.imshow显示图像，并通过cv2.waitKey(0)等待用户按下任意键，确保图像窗口不会立即关闭。

  1. 定义验证函数

python

def verification(src, model):# 创建SIFT特征提取器sift = cv2.SIFT_create()# 检测关键点和计算描述符（特征向量） 源图像kp1, des1 = sift.detectAndCompute(src, None)     # 第二个参数：掩膜# 检测关键点和计算描述符 模板图像kp2, des2 = sift.detectAndCompute(model, None)# 创建FLANN匹配器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)matches = flann.knnMatch(des1, des2, k=2)# 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 = []for m, n in matches:# 根据Lowe's比率测试，选择最佳匹配if m.distance < 0.8 * n.distance:ok.append(m)# 统计通过筛选的匹配数量num = len(ok)if num >= 500:result = "认证通过"else:result = "认证失败"return result
  • verification函数接受两个参数：src为源图像（待验证图像），model为模板图像。
  • 使用cv2.SIFT_create()创建 SIFT 特征提取器对象sift。
  • 对源图像src和模板图像model分别调用sift.detectAndCompute方法，同时检测关键点并计算描述符。kp1和kp2分别是源图像和模板图像的关键点列表，des1和des2分别是对应的描述符。detectAndCompute方法的第二个参数None表示不使用掩膜。
  • 创建cv2.FlannBasedMatcher()对象flann，这是一种基于快速近似最近邻搜索（FLANN）的匹配器。
  • 使用flann.knnMatch方法进行 K 近邻匹配，这里k = 2，意味着对源图像的每个描述符des1，在模板图像的描述符des2中寻找最近的两个匹配。
  • 通过遍历匹配结果matches，使用 Lowe's 比率测试筛选出较好的匹配点。如果第一个最近邻的距离小于第二个最近邻距离的 0.8 倍，认为这是一个较好的匹配点，将其添加到ok列表中。
  • 统计ok列表中匹配点的数量num。
  • 如果匹配点数量num大于或等于 500，返回 “认证通过”；否则，返回 “认证失败”。
  1. 主函数

python

if __name__ == "__main__":src1 = cv2.imread("src1.BMP")cv_show('src1', src1)src2 = cv2.imread("src2.BMP")cv_show('src2', src2)model = cv2.imread("model.BMP")cv_show('model', model)result1 = verification(src1, model)result2 = verification(src2, model)print("src1验证结果为：", result1)print("src2验证结果为：", result2)

  • 在主程序入口，使用cv2.imread分别读取src1.BMP、src2.BMP作为待验证图像，model.BMP作为模板图像。
  • 调用cv_show函数分别显示src1、src2和model图像。
  • 对src1和src2分别调用verification函数与模板图像model进行验证，并将结果分别存储在result1和result2中。
  • 最后打印出src1和src2的验证结果

代码

import cv2
def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)
def verification(src, model):# 创建SIFT特征提取器sift = cv2.SIFT_create()# 检测关键点和计算描述符（特征向量） 源图像kp1, des1 = sift.detectAndCompute(src, None)     # 第二个参数：掩膜# 检测关键点和计算描述符 模板图像kp2, des2 = sift.detectAndCompute(model, None)# 创建FLANN匹配器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)matches = flann.knnMatch(des1, des2, k=2)
# 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 = []for m, n in matches:# 根据Lowe's比率测试，选择最佳匹配if m.distance < 0.8 * n.distance:ok.append(m)# 统计通过筛选的匹配数量num = len(ok)if num >= 500:result = "认证通过"else:result = "认证失败"return result
if __name__ == "__main__":src1 = cv2.imread("src1.BMP")cv_show('src1', src1)src2 = cv2.imread("src2.BMP")cv_show('src2', src2)model = cv2.imread("model.BMP")cv_show('model', model)result1= verification(src1, model)result2= verification(src2, model)print("src1验证结果为：", result1)print("src2验证结果为：", result2)

三·画出指纹匹配的成功点

逻辑

整体功能
这段代码旨在解决指纹验证案例中的一个作业要求，即找出指纹 1（src1.BMP）与模板图片（model.BMP）之间匹配成功的点，并在两张图片上分别标记出这些点的坐标，同时绘制出匹配点之间的连线。
代码结构与逻辑
导入与辅助函数定义：python
import cv2
def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)导入cv2库，它是 OpenCV 库的 Python 接口，用于各种图像处理任务。cv_show函数用于在窗口中显示图像，并等待用户按键关闭窗口。函数接受两个参数：name为窗口名称，img为要显示的图像。图像读取与展示：python
src1 = cv2.imread("src1.BMP")
cv_show('src1',src1)
model = cv2.imread("model.BMP")
cv_show('model',model)使用cv2.imread函数分别读取指纹 1 图像（src1.BMP）和模板图像（model.BMP），并通过cv_show函数在单独的窗口中展示这两张原始图像，以便用户直观查看。特征提取与匹配：python
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(src1, None)
kp2, des2 = sift.detectAndCompute(model, None)
flann = cv2.FlannBasedMatcher()
matches = flann.knnMatch(des1, des2, k=2)创建 SIFT（尺度不变特征变换）特征提取器对象sift。对指纹 1 图像src1和模板图像model分别调用sift.detectAndCompute方法，该方法同时检测图像中的关键点并计算这些关键点的描述符。kp1和kp2分别是指纹 1 和模板图像的关键点列表，des1和des2分别是对应的描述符。创建基于 FLANN（快速近似最近邻搜索）的匹配器对象flann，然后使用flann.knnMatch方法进行 K 近邻匹配，这里k = 2表示为指纹 1 图像的每个描述符在模板图像的描述符中寻找最近的两个匹配。筛选匹配点：python
good=[]
alist=[]
for m, n in matches:if m.distance < 0.4 * n.distance:  alist.append((m.queryIdx,m.trainIdx))good.append((m,n))初始化两个空列表good和alist。遍历所有的匹配结果matches，根据 Lowe's 比率测试筛选出较好的匹配点。当最近匹配距离m.distance小于次近匹配距离n.distance的 0.4 倍时，认为该匹配是有效的。将匹配点在指纹 1 和模板图像中的索引对(m.queryIdx, m.trainIdx)添加到alist中，同时将匹配对(m, n)添加到good列表中。m.queryIdx是指纹 1 中描述符的索引，m.trainIdx是模板图像中描述符的索引。标记匹配点：python
for i,j in alist:x, y = kp1[i].ptm, n = kp2[j].ptcv2.circle(src1, (int(x), int(y)), 3, (0, 0, 255), -1)cv2.circle(model, (int(m), int(n)), 3, (0, 0, 255), -1)遍历alist中的索引对，通过索引从关键点列表kp1和kp2中获取匹配关键点的坐标(x, y)和(m, n)。使用cv2.circle函数在指纹 1 图像src1和模板图像model上分别绘制半径为 3、颜色为红色（(0, 0, 255)）的实心圆（-1表示实心），从而标记出匹配成功点的坐标。显示标记后的图像与匹配连线：python
cv_show('Marked src1', src1)
cv_show('Marked model', model)
matched_image = cv2.drawMatchesKnn(src1, kp1, model, kp2, good, None,flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
cv_show('Matched Points', matched_image)通过cv_show函数分别显示标记了匹配点的指纹 1 图像（窗口名称为Marked src1）和模板图像（窗口名称为Marked model）。使用cv2.drawMatchesKnn函数绘制匹配点之间的连线。该函数接受指纹 1 图像src1及其关键点kp1、模板图像model及其关键点kp2、筛选后的匹配对good等参数。flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS参数表示不绘制没有匹配项的关键点。绘制结果保存在matched_image中，最后通过cv_show函数在名为Matched Points的窗口中显示绘制了匹配连线的图像。总体而言，代码逻辑清晰，按照作业要求逐步实现了指纹匹配点的查找、标记及连线绘制的功能。不过，需要注意的是，SIFT 算法在较新的 OpenCV 版本中已移入opencv - contrib - python库，如果运行代码时出现找不到cv2.SIFT_create()的错误，需要安装该扩展库

代码

'''
作业：
指纹验证案例中，指纹1与模板图片匹配成功了，分别在两图内标出匹配成功点的坐标
要求：匹配结果最近的distance小于次接近distance的0.4
提示：cv2.circle(src, (x,y), 3, (0, 0, 255), -1)，绘制实心圆
'''
import cv2
def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)
# 读取图像
src1 = cv2.imread("src1.BMP")
cv_show('src1',src1)
model = cv2.imread("model.BMP")
cv_show('model',model)
# 创建SIFT特征提取器
sift = cv2.SIFT_create()
# 检测关键点和计算描述符
kp1, des1 = sift.detectAndCompute(src1, None)
kp2, des2 = sift.detectAndCompute(model, None)
# 创建FLANN匹配器
flann = cv2.FlannBasedMatcher()
# 使用k近邻匹配
matches = flann.knnMatch(des1, des2, k=2)
# 筛选匹配点
good=[]
alist=[]
for m, n in matches:if m.distance < 0.4 * n.distance:  # Lowe's比率测试alist.append((m.queryIdx,m.trainIdx))     # 匹配成功的（指纹1中的索引，指纹model中的索引）good.append((m,n))for i,j in alist:x, y = kp1[i].ptm, n = kp2[j].ptcv2.circle(src1, (int(x), int(y)), 3, (0, 0, 255), -1)cv2.circle(model, (int(m), int(n)), 3, (0, 0, 255), -1)# 显示标记后的图像
cv_show('Marked src1', src1)
cv_show('Marked model', model)
# 绘制匹配点连线
# drawMatchesKnn(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor=None, singlePointColor=None, matchesMask=None, flags=None)绘制匹配图片
# 参数：img1：第一张原始图像。
# keypoints1：第一张原始图像的关键点。
# img2：第二张原始图像。
# keypoints2：第二张原始图像的关键点。
# matches1to2：从第一个图像到第二个图像的匹配，这意味着keypoints1[i]在keypoints2[Matches[i]中有一个对应的点。
# outImg：绘制结果图像。
# matchColor：匹配连线与关键点点的颜色，当matchColor == Scalar::all(-1)时，代表取随机颜色。
# singlePointColor：没有匹配项的关键点的颜色，当singlePointColor == Scalar::all(-1)时，代表取随机颜色。
# matchesMask：确定绘制哪些匹配项的掩码。如果掩码为空，则绘制所有匹配项。
# flags：绘图功能的一些标志。具体有：
#   cv.DRAW_MATCHES_FLAGS_DEFAULT
#   cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS
#   cv.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG
#   cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS
matched_image = cv2.drawMatchesKnn(src1, kp1, model, kp2, good, None,flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
cv_show('Matched Points', matched_image)


文章转载自：

http://MbHUNADy.Lkfhk.cn
http://sCLyUVZX.Lkfhk.cn
http://l6GNkEr8.Lkfhk.cn
http://CfDU5i00.Lkfhk.cn
http://Kq3FoLon.Lkfhk.cn
http://pgh6ZyUC.Lkfhk.cn
http://71GmXCp1.Lkfhk.cn
http://pItn5aOV.Lkfhk.cn
http://YVB9CbEm.Lkfhk.cn
http://QSKWiLEh.Lkfhk.cn
http://Q6S0z90O.Lkfhk.cn
http://BuIrnxeN.Lkfhk.cn
http://yDs3T8ZR.Lkfhk.cn
http://OgfSHJZd.Lkfhk.cn
http://iNbQfnaC.Lkfhk.cn
http://P8DoCQbo.Lkfhk.cn
http://2x2JX72k.Lkfhk.cn
http://PGFodZcR.Lkfhk.cn
http://NVyqKqFS.Lkfhk.cn
http://QC9S89ac.Lkfhk.cn
http://yqDj4SOi.Lkfhk.cn
http://DrAJLVSN.Lkfhk.cn
http://EmvmIKA7.Lkfhk.cn
http://mxgmmPtc.Lkfhk.cn
http://yG6PGWb3.Lkfhk.cn
http://u36f8V0y.Lkfhk.cn
http://LvXTcVWQ.Lkfhk.cn
http://CIxDsuhc.Lkfhk.cn
http://BLjTsdDY.Lkfhk.cn
http://44PWo7aa.Lkfhk.cn
http://www.dtcms.com/a/379777.html

相关文章：

  • 在线会议系统是一个基于Vue3 + Spring Boot的现代化在线会议管理平台，集成了视频会议、实时聊天、AI智能助手等多项先进技术。
  • 每日一算：打家劫舍
  • MemGPT: Towards LLMs as Operating Systems
  • MySQL与PostgreSQL核心区别对比
  • Redis基础命令速查：从连接到数据操作，新手也能上手
  • 信息安全工程师考点-网络安全法律与标准
  • 阿里云OSS vs 腾讯云COS vs AWS S3：对象存储价格与性能深度对比
  • vim复制本地到linux服务器上，换行缩进过大，不对的问题
  • 【贪心算法】day9
  • HarmonyOS 5分布式数据管理初探：实现跨设备数据同步
  • 【Unity UGUI 交互组件——InputFild（TMP版本）（11)】
  • 基于QVTKOpenGLNativeWidget的三维点云可视化实现
  • Qwen3 中注意力机制实现
  • 基于librdkafa C++客户端生产者发送数据失败问题处理#2
  • Maya绑定：渲染编辑器Hypershade简单使用，给小球添加材质纹理
  • 前端基础 —— A / HTML
  • 线性代数 | 行列式与矩阵区别
  • Redis 核心数据结构：String 类型深度解析与 C++ 实战
  • 【Linux】面试常考！Linux 进程核心考点：写时拷贝优化原理 + 进程等待实战，一篇理清进程一生
  • 根据当前门店经纬度，求出1km内的门店
  • java类冲突
  • 线上的Python服务如何部署？
  • ​​Cinema 4D 2026 核心亮点：AI智能驱动 + 无缝实时渲染​
  • 【Pywinauto库】10.7 pywinauto.controls.uia_controls控件
  • Next.js 字体优化：使用 `next/font` 告别布局偏移和性能瓶颈
  • 腾讯滑块---Js逆向酷狗音乐登入
  • 机器学习算法概述
  • zzz‘sJavaweb知识点总结
  • 【STL源码剖析】二叉世界的平衡：从BST 到 AVL-tree 和 RB-tree 的插入逻辑
  • Altium Designer使用精通教程 第四章（PCB封装库绘制）