1 课题背景
指纹是指人类手指上的条状纹路，它们的形成依赖于胚胎发育时的环境。'没有 2 个完全相同的指纹'这一观点已经得到公认。指纹识别已经有了很长一段历史。
据考古学家证实：公元前 6000 年以前，指纹作为身份鉴别的工具已经在古叙利亚和中国开始应用。到了 20 世纪 80 年代，光学扫描这 2 项技术的革新，使得它们作为指纹取像的工具成为现实，从而使指纹识别可以在其他领域中得以应用。
现在，随着取像设备的引入及其飞速发展，生物指纹识别技术的逐渐成熟，可靠的比对算法的发现都为指纹识别技术提供了更广阔的舞台。
本项目实现了一种指纹识别系统，通过过滤过程来确定用户指纹是否与注册的指纹匹配。通过过滤技术对捕获的指纹进行处理，以从捕获的图像中去除噪声。去除噪声后的最终结果与注册的指纹进行特征匹配，以确定它们是否相同。
2 效果展示
3 具体实现
3.1 图像对比过滤
图像融合是一种图像增强方法，这里先融合两个图像便于特征点对比。利用的是 opencv 封装的函数 cv2.addWeighted()。
相关代码
def apply_Contrast(img):
alpha = 0.5 # assigned weight to the first image
beta = 0.5 # assigned weight to the second image
img_second = np.zeros(img.shape, dtype=img.dtype) # second image, copy of first one
contrast = cv2.addWeighted(img, alpha, img_second, 0, beta) # applying contrast
return contrast
3.2 图像二值化
简介
图像二值化（Image Binarization）就是将图像上的像素点的灰度值设置为 0 或 255，也就是将整个图像呈现出明显的黑白效果的过程。二值图像每个像素只有两种取值：要么纯黑，要么纯白。
二值图像数据足够简单，许多视觉算法都依赖二值图像。通过二值图像，能更好地分析物体的形状和轮廓。 在计算机视觉里，一般用矩阵来表示图像。也就是说，无论你的图片看上去多么好吃，对计算机来说都不过是个矩阵而已。在这个矩阵里，每一个像素就是矩阵中的一个元素。在三通道的彩色图像中，这个元素是由三个数字组成的元组。而对于单通道的灰度图像来说，这个元素就是一个数字。这个数字代表了图像在这个点的亮度，数字越大像素点也就越亮，在常见的八位单通道色彩空间中，0 代表全黑，255 代表全白。
相关代码
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 图像侵蚀细化
图像侵蚀 (腐蚀)
腐蚀（Erosion）- shrink image regions，侵蚀是数学形态学领域的两个基本算子之一，另一个是膨胀。它通常应用于二值图像，但是有些版本可用于灰度图像。算子对二值图像的基本作用是侵蚀前景像素（通常为白色像素）区域的边界。因此，前景像素的区域尺寸缩小，并且这些区域内的孔洞变大。
图像细化
细化（Thinning）- structured erosion using image pattern matching，细化是一种形态学操作，用于从二值图像中删除选定的前景像素，有点像侵蚀或开口。它可以用于多种应用程序，但是对于骨架化特别有用。在这种模式下，通常通过将所有行减少到单个像素厚度来整理边缘检测器的输出。细化通常仅应用于二值图像，并产生另一个二值图像作为输出。
相关代码
def apply_Erosion(img):
kernel = np.ones((3, 3), np.uint8) # shape applied to image, 3x3 square shape is applied to contrast image
erosion = cv2.erode(img, kernel, iterations=1) # erosion mask applied to the contrast image to thin fingerprint ridges
return erosion
3.4 图像增强
图像增强的主要目的是提高图像的质量和可辨识度，使图像更有利于观察或进一步分析处理。图像增强技术一般通过对图像的某些特征，例如边缘信息、轮廓信息和对比度等进行突出或增强，从而更好的显示图像的有用信息，提高图像的使用价值。图像增强技术是在一定标准下，处理后的图像比原图像效果更好。
相关代码
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.shape
for r in range(row):
for c in range(col):
px = feature_points[r][c]
if all(px == white_px):
Image_blue[r][c] = blue_px
return Image_blue
3.5 特征点检测
指纹特征提取的主要目的是计算指纹核心点 (Core) 和细节点 (Minutia) 的特征信息。在提取指纹核心点时，采用的是 Poincare Index 算法，该算法的思路是在指纹图像某像素点区域内，按围绕该点的闭合曲线逆时针方向旋转一周，计算方向角度旋转变化量的和，最后以计算结果来寻找核心点。计算过程中如果某像素点的 Poincare Index 值为π则判定为核心点，然后便提取该点的坐标与方向场信息，记为 P(Cx, Cy, θc)。
相关代码
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
简介 Opencv（Open Source Computer Vision Library）是一个基于开源发行的跨平台计算机视觉库，它实现了图像处理和计算机视觉方面的很多通用算法，已成为计算机视觉领域最有力的研究工具。在这里我们要区分两个概念：图像处理和计算机视觉的区别：图像处理侧重于'处理'图像–如增强，还原，去噪，分割等等；而计算机视觉重点在于使用计算机来模拟人的视觉，因此模拟才是计算机视觉领域的最终目标。 OpenCV 用 C++ 语言编写，它具有 C ++，Python，Java 和 MATLAB 接口，并支持 Windows，Linux，Android 和 Mac OS，如今也提供对于 C#、Ch、Ruby，GO 的支持。
基础功能速查表