计算机视觉40例之案例14指纹识别

指纹识别过程中，非常关键的一个步骤是对指纹特征的处理。

通常情况下，要先提取已知指纹的特征，并将其存储在模板库中，以用于后续指纹识别时进行比对，指纹特征提取过程如图1所示。

图1 录入指纹特征

识别指纹时，可能存在两种不同的情况：

1. 一对一验证。此时，主要验证当前指纹是否和已知指纹一致。例如，通常情况下使用的用指纹给手机解锁。此时，其过程如图2左侧所示。
2. 一对多识别。此时，主要识别当前指纹和指纹库中众多个指纹的哪个指纹基本一致。例如，单位的打卡系统。此时，其过程如图2右侧所示。

图2  指纹识别

指纹识别的知识点较多，本案例从算法概述、SIFT、识别案例三个方面进行了系统深入的介绍，如图3所示。

图3 指纹识别提纲

为了方便理解，书中尽可能用通俗易懂的例题描述晦涩难懂的原理，现将其中《14.3.3 通过方向描述关键点》部分内容摘抄如下：

如图4所示是一幅由许多人构成的一幅图像，画中是许多人站在一个广场上。如果想根据方向来描述某一个人（作为一个人的特征），可以采用如下步骤：

1. 步骤1：确定坐标系。
2. 步骤2：通过某人面向的角度，描述该人。

图4 许多人的图像

不过，上面的方法有两个问题：

1. 问题1：图像旋转后，坐标就变了。例如，设定了直角坐标系，在图像旋转前后，面向45度角度的人，是不同的人。很显然，我们希望在旋转前后，能够通过同样的角度描述同一个人。
2. 问题2：以角度为依据，我们会找到许多结果。例如，面向45度方向的人，我们会找到一批人，他们都是面向45度的。这也就是说，单纯通过角度作为描述值，无法做到唯一性。例如，单纯的体重值，无法作为一个人的识别特征，这是因为很多人有同样的体重。

为了解决上述问题，我们做两个优化设计：

1. 优化设计1：根据图像自身特征确定一个方向，将该方向作为图像的方向。图像内所有人的方向，都以该方向为参考确定一个相对方向。此时，无论图像如何旋转，任何人的相对方向都是保持不变的。如何确定图像的方向呢？图像内，哪个朝向的人最多，就将该方向确定为图像的方向。
2. 优化设计2：单个人的朝向肯定是容易重复的，例如图像中，可能同时有许多人朝向了同一个方向。但是，一个人及其周围若干个人的方向往往具有独特性。将一个人及其旁边若干个人的方向，作为一个人的方向特征，该特征在图中往往是唯一的，通过该特征能够很好地描述一个人。也就是说，如果使用自身的方向描述一个人，则其描述符为“45”（表示45度朝向）；而优化后，要使用一个人自身及其周围多个人的方向来描述一个人，则其描述符为“45/90/135/180/90/45/90/45/90”（不同的值表示其自身及周围人的方向）。很明显，经过优化设计后，该描述符能够很好地、唯一地代表一个人。

受上述思路启发，我们可以通过方向来描述图像中的关键点，具体步骤如下：

1. 步骤1：确定当前图像的方向；
2. 步骤2：根据图像方向确定关键点及其周边若干个点的方向；将该方向集合作为当前关键点的特征值；

具体实现时，主要包含三个步骤，具体如下：

1. 步骤1：确定图像的角度：该方向是图像内所有像素点的参考角度。
2. 步骤2：确定像素点相对角度：根据图像的角度及像素点自身角度，计算每个像素点的相对角度。
3. 步骤3：生成描述符：根据关键点邻域内所有像素点的相对角度，生成当前关键点的描述符。

在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》一书中，从算法原理、实现流程等角度系统深入地介绍了该案例的理论基础和实现过程，并对具体的代码实现进行了细致的介绍与解释。欢迎大家阅读第14章《指纹识别》获取详细内容。

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。