文章目录
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
python
import cv2
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
python
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。
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)
# 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
python
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。