0 前言

🔥 優質競賽項目系列，今天要分享的是

🚩 基于機器視覺的指紋識別系統

🥇學長這里給一個題目綜合評分(每項滿分5分)

• 難度系數：3分
• 工作量：3分
• 創新點：4分

該項目較為新穎，適合作為競賽課題方向，學長非常推薦！

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate

1 課題背景

指紋是指人類手指上的條狀紋路, 它們的形成依賴于胚胎發育時的環境。“沒有2個完全相同的指紋”這一觀點已經得到公認。指紋識別已經有了很長一段歷史。

據考古學家證實:公元前6 000年以前, 指紋作為身份鑒別的工具已經在古敘利亞和中國開始應用。到了20世紀80年代,、光學掃描這2項技術的革新,
使得它們作為指紋取像的工具成為現實, 從而使指紋識別可以在其他領域中得以應用。

現在, 隨著取像設備的引入及其飛速發展, 生物指紋識別技術的逐漸成熟, 可靠的比對算法的發現都為指紋識別技術提供了更廣闊的舞臺。

本項目實現了一種指紋識別系統，通過過濾過程來確定用戶指紋是否與注冊的指紋匹配。通過過濾技術對捕獲的指紋進行處理，以從捕獲的圖像中去除噪聲。去除噪聲后的最終結果與注冊的指紋進行特征匹配，以確定它們是否相同。

2 效果展示

3

3 具體實現

3.1 圖像對比過濾

圖像融合是一種圖像增強方法，這里先融合兩個圖像便于特征點對比。利用的是opencv封裝的函數

?

    cv2.addWeighted()

相關代碼

?

    def apply_Contrast(img):alpha = 0.5 # assigned weight to the first imagebeta = 0.5 # assigned weight to the second imageimg_second = np.zeros(img.shape, img.dtype) # second image, copy of first onecontrast = cv2.addWeighted(img, alpha, img_second, 0, beta) # applying contrastreturn contrast

3.2 圖像二值化

簡介

圖像二值化（ Image
Binarization）就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的黑白效果的過程。二值圖像每個像素只有兩種取值：要么純黑，要么純白。

二值圖像數據足夠簡單，許多視覺算法都依賴二值圖像。通過二值圖像，能更好地分析物體的形狀和輪廓。
在計算機視覺里，一般用矩陣來表示圖像。也就是說，無論你的圖片看上去多么好吃，對計算機來說都不過是個矩陣而已。在這個矩陣里，每一個像素就是矩陣中的一個元素。在三通道的彩色圖像中，這個元素是由三個數字組成的元組。而對于單通道的灰度圖像來說，這個元素就是一個數字。這個數字代表了圖像在這個點的亮度，數字越大像素點也就越亮，在常見的八位單通道色彩空間中，0代表全黑，255代表全白。

相關代碼

    def apply_Binarization(img):# if pixel value is greater then the threshold value it is assigned a singular color of either black or white_, mask = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY_INV)return mask

3.3 圖像侵蝕細化

圖像侵蝕(腐蝕)

腐蝕（Erosion）- shrink image regions，侵蝕是數學形態學領域的兩個基本算子之一，另一個是膨脹。
它通常應用于二值圖像，但是有些版本可用于灰度圖像。 算子對二值圖像的基本作用是侵蝕前景像素（通常為白色像素）區域的邊界。
因此，前景像素的區域尺寸縮小，并且這些區域內的孔洞變大。

圖像細化

細化（Thinning）- structured erosion using image pattern
matching，細化是一種形態學操作，用于從二值圖像中刪除選定的前景像素，有點像侵蝕或開口。 它可以用于多種應用程序，但是對于骨架化特別有用。
在這種模式下，通常通過將所有行減少到單個像素厚度來整理邊緣檢測器的輸出。 細化通常僅應用于二值圖像，并產生另一個二值圖像作為輸出。

相關代碼

    def apply_Erosion(img):kernal = np.ones((3,3), np.uint8) # shape applied to image, 3x3 square shape is applied to contrast imageerosion = cv2.erode(img, kernal, iterations=1) # erosion mask applied to the contrast image to thin fingerprint ridgesreturn erosion

3.4 圖像增強

圖像增強的主要目的是提高圖像的質量和可辨識度，使圖像更有利于觀察或進一步分析處理。圖像增強技術一般通過對圖像的某些特征，例如邊緣信息、輪廓信息和對比度等進行突出或增強，從而更好的顯示圖像的有用信息，提高圖像的使用價值。圖像增強技術是在一定標準下，處理后的圖像比原圖像效果更好。

相關代碼

    
?    def apply_highlighting(img):
?        feature_points = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
?        Image_blue = np.array(feature_points, copy=True)
?    white_px = np.asarray([255, 255, 255])blue_px = np.asarray([0  , 255  , 255  ])(row, col, _) = feature_points.shapefor r in range(row):for c in range(col):px = feature_points[r][c]if all(px == white_px):Image_blue[r][c] = blue_pxreturn Image_blue

3.5 特征點檢測

指紋特征提取的主要目的是計算指紋核心點(Core)和細節點(Minutia)的特征信息。在提取指紋核心點時，采用的是Poincare
Index算法，該算法的思路是在指紋圖像某像素點區域內，按圍繞該點的閉合曲線逆時針方向旋轉一周，計算方向角度旋轉變化量的和，最后以計算結果來尋找核心點。計算過程中如果某像素點的Poincare
Index值為π則判定為核心點，然后便提取該點的坐標與方向場信息，記為P(Cx, Cy, θc)。

相關代碼

    
?    def show_featurepoints(img):
?        ?    #show feature points found in fingerprint using orb detector
?    orb  = cv2.ORB_create(nfeatures=1200)
?    keypoints, descriptors = orb.detectAndCompute(img, None)
?    featurepoint_img = img
?    featurepoint_img = cv2.drawKeypoints(featurepoint_img, keypoints, None, color=(255, 0 ,0))?    return featurepoint_img

4 OpenCV

簡介
Opencv（Open Source Computer Vision
Library）是一個基于開源發行的跨平臺計算機視覺庫，它實現了圖像處理和計算機視覺方面的很多通用算法，已成為計算機視覺領域最有力的研究工具。在這里我們要區分兩個概念：圖像處理和計算機視覺的區別：圖像處理側重于“處理”圖像–如增強，還原，去噪，分割等等；而計算機視覺重點在于使用計算機來模擬人的視覺，因此模擬才是計算機視覺領域的最終目標。
OpenCV用C++語言編寫，它具有C ++，Python，Java和MATLAB接口，并支持Windows，Linux，Android和Mac OS，
如今也提供對于C#、Ch、Ruby，GO的支持。

基礎功能速查表

5 最后

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate