一、掌紋特征提取

1.1 Gabor濾波器

Gabor濾波器是一個或一組Gabor函式離散形式，在計算機視覺中常用到Gabor濾波器來提取紋理特征，說白了，就是一個加了高斯窗的傅里葉變換，
Gabor濾波器（專注于紋理特征的一種濾波器）
鏈接: Gabor特征的詳細介紹（博主推薦）

下面時我們專案的代碼部分：
Gabor特征采集部分如下（示例）：
1.建立Gabor濾波器

def build_filters():
    gabor_filters = []
    gabor_size = [6,9,12,15,18,21] #定義gabor尺度，6個
    lamda = np.pi/1.0 #波長
    for theta in np.arange(0,np.pi,np.pi / 4): #定義gabor的4個方向
        for i in range(6):
            kern = cv2.getGaborKernel((gabor_size[i],gabor_size[i]),1.0,theta,lamda,0.5,0,ktype=cv2.CV_32F)
            kern /= 1.2*kern.sum()
            filters.append(kern)
    print("np.arange(0,np.pi,np.pi / 4)",np.arange(0,np.pi,np.pi / 4))
    print("np.pi",np.pi)
    print("len",len(gabor_filters))
    return gabor_filters

2.Gabor特征提取

def getGabor(img,filters):
    print('len(filters)',len(filters))
    res = [] #濾波結果
    for i in range(len(filters)):
        res1 = scan_win(img,filters[i])
        res.append(np.asarray(res1))
    # pb.figure(2)
    for temp in range(len(res)):
        pb.subplot(4,6,temp+1)
        pb.imshow(res[temp],cmap='gray')
    # pb.show()
    return res

3.整合特征匯入txt檔案

def make_feature(filters):
    pic_list = []
    #將所有圖片的特征向量進行堆疊,最后得到(500,16384)大小的特征矩陣
    stack_metrix = np.array([[0]])
    count=0
    for i in range(0, 100):
        # 用于存放當前類別標簽(用外層回圈i的值來表示)
        pic_list.append(i)
        class_matrix = np.array(pic_list, ndmin=2)
        for j in range(1, 6):
            path = 'ROI/p_{}_{}.bmp'.format(i, j)
            x = cv2.imread(path)
            data=getGabor(x,filters)
            data = np.asarray(data)
            data=normalization(data)
            data = np.reshape(data, (1, -1))
            one_data = np.column_stack((data, class_matrix))
            print(one_data)
            count=count+1
            print('第{}次'.format(count))
            # y壓縮標簽串列添加到每張圖片特征矩陣的最后一維即為扁平化處理
            # 第一次不堆疊
            if i == 0 and j == 1:
                stack_metrix = one_data
                continue
            stack_metrix = np.row_stack((stack_metrix, one_data))
        pic_list.pop()
    np.savetxt('(new)feature.txt', stack_metrix)

二、掌紋資訊分類

2.1 基于PCA+SVM的掌紋資訊分類

鏈接: SVM（支持向量機）最佳理解.

代碼如下（示例）：

def train_model_pca_svm():
    """
    1.PCA+SVM進行分類
    2.PCA降維至20維
    :return:
    """
    data, target = load_data()
    x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.3, random_state=13)

    # 利用PCA將特征降至20維，測驗集上的預測精度為: 0.9487179487179487
    # 利用PCA將特征降至50維，測驗集上的預測精度為: 0.9572649572649573
    # 利用PCA將特征降至100維，測驗集上的預測精度為: 0.9658119658119658
    pca = PCA(n_components=100)
    x_train = pca.fit_transform(x_train)
    svm_clf = SVC(C=100)
    svm_clf.fit(x_train, y_train)

    # 利用在訓練集上進行降維的PCA對測驗資料進行降維
    # 保證轉換矩陣相同
    x_test_process = pca.transform(x_test)
    y_predict = svm_clf.predict(x_test_process)
    score = svm_clf.score(x_test_process, y_test)
    print('測驗集上的預測精度為:{}'.format(score))
    print('\n')
    print('測驗集前10個樣本的類別為:', y_test[:10].tolist())
    print('預測的類別為:', y_predict[:10])
    print('\n')
    print(classification_report(y_test, y_predict))

2.2 基于PCA+KNN的掌紋資訊分類

鏈接: KNN（K鄰近）最佳理解.

代碼如下（示例）：

def train_model_pca_knn(i):
    """
    1.PCA+KNN進行分類
    2.PCA降維至20維
    :return:
    """
    data, target = load_data()
    x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.3, random_state=13)
    # 利用PCA將特征降至100維，測驗集上的預測精度為: 0.9658119658119658
    pca = PCA(n_components=20)
    x_train = pca.fit_transform(x_train)
    my_model=KNeighborsClassifier(algorithm='kd_tree',p=10,n_neighbors=i)
    my_model.fit(x_train, y_train)
    #k為1，測驗集上的預測精度為:0.9316239316239316
    # 利用在訓練集上進行降維的PCA對測驗資料進行降維
    # 保證轉換矩陣相同
    x_test_process = pca.transform(x_test)
    y_predict = my_model.predict(x_test_process)
    score = my_model.score(x_test_process, y_test)
    print('測驗集上的預測精度為:{}'.format(score))
    print('\n')
    print('測驗集前10個樣本的類別為:', y_test[:10].tolist())
    print('預測的類別為:', y_predict[:10])
    print('\n')
    print(classification_report(y_test, y_predict))

分類結果總結

三、掌紋資訊匹配

3.1掌紋資訊相似度匹配

原理：獲取特征檔案進行扁平化處理之后對特征集的資料逐一匹配，

def compare_pic(feature1,feature2):
    unsim = 0
    x1 = np.array(feature1).flatten() #將特征做扁平化處理
    x2 = np.array(feature2).flatten()
    for pic1,pic1 in zip(x1,x2):
        if pic1 != pic1:
            unsim += 1
    print(unsim)
    sim = 1 - unsim/len(x1)
    print('相似度',sim)
    return sim

之后對圖片特征逐個遍歷檢索即可，

    for i in range(0, 100):
            path = 'ROI/p_{}_{}.bmp'.format(i,1)
            x = cv2.imread(path)
            data=Gg.getGabor(x,filters)
            simial_score.append(int(compare_pic(data,feature)*1000))
            count=count+1
            print('第{}次檢索'.format(count))
   	class_score=simial_score.index(max(simial_score))

希望可以幫助到有需要的朋友，我們一起學習，一起進步！！！
如果愿意和我交流技術的朋友，您將獲得一下交流方式
QQ：1093279164
（純粹交流技術！謝謝！也可以一起打比賽！！！）