一、掌纹特征提取

1.1 Gabor滤波器

Gabor滤波器是一个或一组Gabor函数离散形式，在计算机视觉中常用到Gabor滤波器来提取纹理特征。说白了，就是一个加了高斯窗的傅里叶变换。
Gabor滤波器（专注于纹理特征的一种滤波器）
链接: Gabor特征的详细介绍（博主推荐）

下面时我们项目的代码部分：
Gabor特征采集部分如下（示例）：
1.建立Gabor滤波器

def build_filters():gabor_filters = []gabor_size = [6,9,12,15,18,21] #定义gabor尺度，6个lamda = np.pi/1.0 #波长for theta in np.arange(0,np.pi,np.pi / 4): #定义gabor的4个方向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 = [] #滤波结果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.整合特征导入txt文件

def make_feature(filters):pic_list = []#将所有图片的特征向量进行堆叠,最后得到(500,16384)大小的特征矩阵stack_metrix = np.array([[0]])count=0for i in range(0, 100):# 用于存放当前类别标签(用外层循环i的值来表示)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+1print('第{}次'.format(count))# y压缩标签列表添加到每张图片特征矩阵的最后一维即为扁平化处理# 第一次不堆叠if i == 0 and j == 1:stack_metrix = one_datacontinuestack_metrix = np.row_stack((stack_metrix, one_data))pic_list.pop()np.savetxt('(new)feature.txt', stack_metrix)

二、掌纹信息分类

2.1 基于PCA+SVM的掌纹信息分类

链接: SVM（支持向量机）最佳理解.

代码如下（示例）：

def train_model_pca_svm():"""1.PCA+SVM进行分类2.PCA降维至20维: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将特征降至20维，测试集上的预测精度为: 0.9487179487179487# 利用PCA将特征降至50维，测试集上的预测精度为: 0.9572649572649573# 利用PCA将特征降至100维，测试集上的预测精度为: 0.9658119658119658pca = PCA(n_components=100)x_train = pca.fit_transform(x_train)svm_clf = SVC(C=100)svm_clf.fit(x_train, y_train)# 利用在训练集上进行降维的PCA对测试数据进行降维# 保证转换矩阵相同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('测试集上的预测精度为:{}'.format(score))print('\n')print('测试集前10个样本的类别为:', y_test[:10].tolist())print('预测的类别为:', y_predict[:10])print('\n')print(classification_report(y_test, y_predict))

2.2 基于PCA+KNN的掌纹信息分类

链接: KNN（K邻近）最佳理解.

代码如下（示例）：

def train_model_pca_knn(i):"""1.PCA+KNN进行分类2.PCA降维至20维: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将特征降至100维，测试集上的预测精度为: 0.9658119658119658pca = 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为1，测试集上的预测精度为:0.9316239316239316# 利用在训练集上进行降维的PCA对测试数据进行降维# 保证转换矩阵相同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('测试集上的预测精度为:{}'.format(score))print('\n')print('测试集前10个样本的类别为:', y_test[:10].tolist())print('预测的类别为:', y_predict[:10])print('\n')print(classification_report(y_test, y_predict))

分类结果总结

对于该类掌纹分类效果上看，分类效果可见SVM优于KNN，由此可得出结论，SVM在该类图片数据集上的分类效果较好。

三、掌纹信息匹配

3.1掌纹信息相似度匹配

原理：获取特征文件进行扁平化处理之后对特征集的数据逐一匹配。

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

之后对图片特征逐个遍历检索即可。

    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+1print('第{}次检索'.format(count))class_score=simial_score.index(max(simial_score))

又是熬夜写文章的一晚。

希望可以帮助到有需要的朋友，我们一起学习，一起进步！！！
如果愿意和我交流技术的朋友，您将获得一下交流方式
QQ：1093279164
（纯粹交流技术！谢谢！也可以一起打比赛！！！）

机器学习之掌纹识别（掌纹分类）相关推荐

linux搭建声纹识别,声纹识别SDK-FreeSR
FreeSR (A Free Library for Speaker Recognition),免费的声纹识别/性别识别SDK,支持Android/Windows/Linux等平台. https:// ...
知物由学 | 听声辨人，看声纹识别技术如何保障内容安全？
大家对"指纹"并不陌生,但听说过"声纹"吗? "违法犯罪变得越来越困难了.如今罪犯都没法使用电话了,因为侦探们可以通过他们在话筒上留下的声纹来追踪他. ...
声纹识别概述（1）初识
声纹识别 1. 声纹概念 2. 声纹识别的分类 3. 声纹识别的原理 4. 声纹识别的关键特征提取模式识别 5. 声纹识别的技术指标 6. 影响声纹识别水平的因素初识声纹 1. 声纹概念声波频 ...
业界首个声纹识别与音频检索系统上线，10分钟搭建产业级应用
随着深度学习技术的升级与产业的发展,智能语音交互已成为了我们日常生活中一个重要的组成部分,并广泛应用在地图导航播报.智能客服回访.手机语音输入以及各类智能助手等应用场景中,可以说语音已成为了人与机器之 ...
业界首个声纹识别与音频检索系统，10分钟搭建产业级应用
随着深度学习技术的升级与产业的发展,智能语音交互已成为了我们日常生活中一个重要的组成部分,并广泛应用在地图导航播报.智能客服回访.手机语音输入以及各类智能助手等应用场景中,可以说语音已成为了人与机器之 ...
声纹识别demo_声纹识别 iOS SDK 文档
# 声纹识别 iOS SDK 文档 # 1.简介声纹识别(Voiceprint Recognition),是一项提取说话人声音特征和说话内容信息,自动核验说话人身份的技术.MSC SDK 声纹识别( ...
【论文解读】经典CNN对2D3D掌纹及掌静脉识别的性能评估
掌纹识别(palmprint recognition)及掌静脉识别(palm vein recognition)作为两种新兴的生物特征识别技术已经引起广泛关注.最近几年,深度学习已经成为人工智能领域最 ...
深度学习之掌纹识别(DeepLearning Palmprint)
深度学习之掌纹识别(Update) 本次我们还是基于Gabor滤波器去提取出掌纹特征,嘻嘻,这次打算复现一下今年五月份的那篇进口论文!<Deep Distillation Hashing for ...
基于深度学习的近红外掌纹识别原型系统设计与实现
基于深度学习的近红外掌纹识别原型系统设计与实现一.绪论二.深度学习知识三.Tensorflow 四.卷积神经网络五.掌纹识别理论掌纹图像采集掌纹图像预处理掌纹特征提取掌纹特征匹配掌纹 ...

机器学习之掌纹识别（掌纹分类）

机器学习之掌纹识别