《深度学习》OpenCV 指纹验证、识别

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)