wordpress 页面顺序北京优化核酸检测

目录

一、指纹验证

1、什么是指纹验证

2、步骤

1）图像采集

2）图像预处理

3）特征提取

4）特征匹配

5）相似度比较

6）结果输出

二、案例实现

1、完整代码

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

运行结果：

---

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 resultif __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 reimport cv2
import numpy as np
import sys
import osdef 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 = 0for 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 = fileID = 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 = 9999return 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：