基于python的手指识别代码资源.zip

# 手指静脉识别项目 本项目详细介绍请参阅：图像处理创新实践.pdf 本项目开源许可协议：GPL 3.0（除SIFT算法软件包，此部分软件包另有原作者的许可协议） ## 项目方案设计介绍 本项目实现手指图像的处理和匹配算法，需要处理的数据是本人不同手指的图像，首先经过图像处理，使得指静脉的纹理增强凸显处理，然后将所有的这些图像进行相互间的匹配，检验类内和类间的匹配度，观察其是否能够明显区分开来，并据此计算正确率。 在本项目中，由于是基于算法原型的研究，因此我们选用了操作便捷的Matlab R2019b软件作为运行环境，在Windows 10 Pro for Workstation操作系统中实现算法。 算法分为以下几个过程： 图像预处理过程中，需要增强图像，提取手指区域，为识别做准备。拟采用CLAHE、直方图均衡、二值化等算法，以达到增强图像的效果；拟采用边缘检测算法实现手指的识别和提取 图像的特征提取和匹配过程中，拟采用两类不同的方法。一是局部不变特征提取算法。这些算法具有检测图像中的特征点，并对特征点的局部区域进行描述和匹配的功能。二是针对二值化图像的模板匹配，检测其匹配度。 ## 系统识别性能 SIFT——正确率93.625% SURF——正确率86.1875% 归一化二维互相关模板匹配——正确率99.5625% ## 文件结构说明 注意：以下代码中涉及的文件夹需要先自行创建，使用其它数据来源需要先自行更改字符段中涉及的文件夹。代码中的“.\590”文件夹是本人指静脉数据来源文件夹。文件夹目录结构如下： \图像处理与机器视觉创新实践:. │ 20191121《机器视觉创新实践》课题研究任务书（一）.pdf │ 590.zip │ cut.m │ gaborfilte.m │ gaborfilter2.m │ ImageEnhancement.m │ img2deg.m │ input2FingerImg.m │ README.md │ LICENSE │ sift-图像增强实现2-1.mat % 由于SIFT算法耗时较长，其结果被保存下来以便多次使用 │ SIFTpair.asv │ SIFTpair.m │ SURFpair.m │ TemplateMatching.m │ tmp.key │ tmp.pgm │ ├─590 ├─siftDemoV4 │ appendimages.m │ basmati.pgm │ book.pgm │ box.pgm │ defs.h │ LICENSE │ Makefile │ match.c │ match.m │ README │ scene.pgm │ showkeys.m │ sift │ sift.m │ siftWin32.exe │ tmp.key │ tmp.pgm │ util.c ## 运行指南 ### 提取ROI区域 运行cut.m ### 图像增强与二值化 运行ImageEnhancement.m ### Gabor图像滤波 运行gaborfilte.m ### SIFT算法特征检测与匹配 在执行此程序前需要将siftDemoV4文件夹及其子文件夹添加到路径，在matlab中右键菜单即可操作。 运行SIFTpair.m ### SURF算法特征检测与匹配 运行SURFpair.m ### 归一化互相关模板匹配 运行TemplateMatching.m