首页分享机器学习之掌纹识别（掌纹分类）

机器学习之掌纹识别（掌纹分类）

来源：花匠小妙招时间：2025-01-13 11:21

机器学习之掌纹识别一、掌纹特征提取1.1 Gabor滤波器二、掌纹信息分类2.1 基于PCA+SVM的掌纹信息分类2.2 基于PCA+KNN的掌纹信息分类分类结果总结三、掌纹信息匹配3.1掌纹信息相似度匹配

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 12345678910111213

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 123456789101112

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=0 for 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+1 print('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_data continue stack_metrix = np.row_stack((stack_metrix, one_data)) pic_list.pop() np.savetxt('(new)feature.txt', stack_metrix) 12345678910111213141516171819202122232425262728

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: 0.9658119658119658 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)) 12345678910111213141516171819202122232425262728

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: 0.9658119658119658 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)) 12345678910111213141516171819202122232425

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。

分类结果展示

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 = 0 x1 = 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 += 1 print(unsim) sim = 1 - unsim/len(x1) print('相似度',sim) return sim 123456789101112

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+1 print('第{}次检索'.format(count))class_score=simial_score.index(max(simial_score)) 12345678

又是熬夜写文章的一晚。