基于OpenCV SIFT的指纹识别算法 python实现

Windows64位环境下： 1. 安装python3.6.5 2. pip install numpy 3. pip install matplotlib 4. pip install opencv-python 5. 安装opencv-conrib(https://download.csdn.net/download/u012442083/10809277)

# coding=utf-8
import os
import cv2
import shutil



# 指纹匹配
# src_file  待匹配的指纹图片
# db_file   指纹数据库中的特征指纹图片
# 指纹 1 x 1 匹配，返回该指纹的匹配得分
# 参考 http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_feature2d/py_matcher/py_matcher.html
def match1_1_sift（src_file db_file）:

    img1 = cv2.imread（src_file）  # queryImage
    #img1 = cv2.cvtColor（img1 cv2.COLOR_BGR2GRAY）
    img2 = cv2.imread（db_file）  # trainImage
    #img2 = cv2.cvtColor（img2 cv2.COLOR_BGR2GRAY）

    # Initiate SIFT detector
    cv2.ocl.setUseOpenCL（False）
    sift = cv2.xfeatures2d.SIFT_create（）

    # find the keypoints and descriptors with SIFT
    kp1 des1 = sift.detectAndCompute（img1 None）
    kp2 des2 = sift.detectAndCompute（img2 None）

    FLANN_INDEX_KDTREE = 0
    index_params = dict（algorithm=FLANN_INDEX_KDTREE trees=5）
    search_params = dict（checks=50）

    flann = cv2.FlannbasedMatcher（index_params search_params）
    matches = flann.knnMatch（des1 des2 k=2）

    good = []
    for m n in matches:
        if m.distance < 0.55 * n.distance:#0.65
            good.append（m）

    return len（good）


# 指纹批量匹配
# src_file  待匹配的指纹图片
# db_path   指纹数据库路径，该路径下包含若干特征指纹图片
# 指纹 1 x N 匹配，返回该指纹是否匹配成功
def match1_N（src_file db_path）:
    good_max = 0
    for afile in os.listdir（db_path）:
        db_file = os.path.join（db_path afile）
        num = match1_1_sift（src_file db_file）
        if good_max < num:
            good_max = num
    if good_max < 7:   # 指纹得分阈值为10
        return False
    else:
        return True


# 指纹批量匹配
# src_file  待匹配的指纹图片
# db_path   指纹数据库路径，该路径下包含若干特征指纹图片
# 指纹 1 x N 匹配，返回该指纹的最高得分
def match1_N_test2（src_file db_path）:
    good_max = 0
    for afile in os.listdir（db_path）:
        db_file = os.path.join（db_path afile）
        num = match1_1_sift（src_file db_file）
        if good_max < num:
            good_max = num
    return good_max


# 指纹批量测试
# src_path  待匹配的指纹文件夹，该文件夹下包含若干指纹图片
# db_path   指纹数据库路径，该路径下包含若干特征指纹图片
# f         文件标识符，该函数会把结果写入到文件
# 指纹 N x N 匹配，输出该文件夹下指纹匹配成功的比例
def matchN_N_test（src_path db_path f）:
    i = 0
    j = 0
    for afile in os.listdir（src_path）:
        src_file = os.path.join（src_path afile）
        j = j + 1
        if match1_N（src_file db_path）:
            i = i + 1

    f.write（src_path + ‘----------‘ + db_path + ‘\n‘）
    f.write（‘ratio:‘ + str（i） + ‘/‘ + str（j） + ‘\n‘）
    f.write（‘--------------------‘ + ‘\n‘）
    f.flush（）


# 指纹批量测试
# src_path  待匹配的指纹文件夹，该文件夹下包含若干指纹图片
# db_path   指纹数据库路径，该路径下包含若干特征指纹图片
# f         文件标识符，该函数会把结果写入到文件
# 指纹 N x N 匹配，输出该指纹的最高得分
def matchN_N_test2（src_path db_path f）:
    for afile in os.listdir（src_path）:
        src_file = os.path.join（src_path afile）
        # 对每个指纹图片进行 1 x N 匹配，得到一个得分
        good_num = match1_N_test2（src_file db_path）
        f.write（src_file + ‘----------‘ + db_path + ‘\n‘）
        f.write（‘max good:‘ + str（good_num） + ‘\n‘）
        f.write（‘--------------------‘ + ‘\n‘）
        f.flush（）


# 判断指纹质量
# file_path 指纹图片文件路径
# 该函数通过计算指纹图片中白色无效块和黑色无

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-12-03 21:09  sift\
     文件          61  2018-12-03 21:11  sift\data.txt
     目录           0  2018-11-26 21:22  sift\db1\
     目录           0  2018-11-27 15:40  sift\db1\img\
     文件       26678  2018-11-27 15:20  sift\db1\img\fp0_1.bmp
     文件       26678  2018-11-27 15:20  sift\db1\img\fp0_2.bmp
     文件       26678  2018-11-27 15:20  sift\db1\img\fp0_3.bmp
     文件       26678  2018-11-27 15:20  sift\db1\img\fp0_4.bmp
     文件       26678  2018-11-27 15:20  sift\db1\img\fp0_5.bmp
     文件       26678  2018-11-27 15:20  sift\db1\img\fp0_6.bmp
     文件       26678  2018-11-27 15:20  sift\db1\img\fp1_0.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp1_1.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp1_2.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp1_3.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp1_4.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp1_5.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp1_6.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp2_0.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp2_1.bmp
     文件       26678  2018-11-27 15:21  sift\db1\img\fp2_2.bmp
     文件       26678  2018-11-27 15:22  sift\db1\img\fp2_3.bmp
     文件       26678  2018-11-27 15:22  sift\db1\img\fp2_4.bmp
     文件       26678  2018-11-27 15:22  sift\db1\img\fp2_5.bmp
     文件       26678  2018-11-27 15:22  sift\db1\img\fp2_6.bmp
     文件       26678  2018-11-27 15:22  sift\db1\img\fp3_0.bmp
     文件       26678  2018-11-27 15:22  sift\db1\img\fp3_1.bmp
     文件       26678  2018-11-27 15:23  sift\db1\img\fp3_2.bmp
     文件       26678  2018-11-27 15:23  sift\db1\img\fp3_3.bmp
     文件       26678  2018-11-27 15:23  sift\db1\img\fp3_4.bmp
     文件       26678  2018-11-27 15:23  sift\db1\img\fp3_5.bmp
     文件       26678  2018-11-27 15:23  sift\db1\img\fp3_6.bmp
............此处省略54个文件信息