【进阶OpenCV】 （5）--指纹验证

指纹验证

指纹验证基于人类指纹的独特性和稳定性。每个人的指纹在图案、断点和交叉点上各不相同，这种唯一性和终生不变性使得指纹成为身份验证的可靠手段。指纹识别技术通过采集和分析指纹图像，提取指纹特征，并与预先存储的指纹特征进行比对，从而确认身份。

1. 验证原理

通过对比两个指纹之间的相似度，来确认两者是否匹配。其中，确认相似度是通过计算两个指纹之间的关键特征点数量，若是关键特征点数量匹配超过某个设定值，我们则认为他们是一个人的。

2. 读取图片

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

if __name__ == '__main__':
    src1 = cv2.imread("zw1.bmp")
    cv_show("zw1",src1)
    src2 = cv2.imread("zw2.bmp")
    cv_show("zw2", src2)
    model = cv2.imread("model.bmp")
    cv_show("model",model)

3. 计算特征匹配点

通过SIFT特征提取方法，计算两者之间的特征匹配点数量，若是数量达到设定值（此处设定为500），则认证通过，反之，认证失败。

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)
    # 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)

    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

result1 = verification(src1,model)
result2 = verification(src2,model)
print("src1验证结果为:",result1)
print("src2验证结果为:", result2)
----------------
src1验证结果为: 认证通过
src2验证结果为: 认证失败

总结

本篇介绍了，通过使用SIFT特征特征提取方法，统计两者之间的特征匹配点数量，来验证指纹是否匹配。