一个实现指静脉识别的整合应用，包括算法，图像处理以及应用GUI⚡
最新release：
- 2021-07-04：因为VGG19下载的预训练模型在Github导致有可能下载失败，因此将模型文件存储到自己的腾讯云OSS桶，通过程序自动下载，手动设置了VGG19的预训练模型的路径，规避了因为网络问题导致的下载失败。
- 源代码在
finger.py - 根据源代码生成的可执行文件为
finger.exe，可直接运行 - 编译源代码所需Python环境为3.7，其他库在
requirements.txt
-
可直接运行
finger.exe -
参数说明
单人手指图片个数：训练集中一根手指录入的图片数，本例子设为7，因为训练集中总共21张图片，每根手指7张图片，总共三根手指。随机选取的图片测试个数：识别时，在训练集中随机选取的与待识别图片比对的图片数，取值范围应为[1~7]之间，若取5，意义则为从每根手指的7张图片随机选取5张与待识别的图片进行5次比对，求得相似度平均值。训练集图片文件夹：训练集图片所在文件夹，训练完毕后会在该文件夹下生成trained文件夹，存储处理完成后的图片，本例子为HighGuardFinger。待识别图片文件夹：待识别的图片文件夹，本例子选取了7张图片为训练集，剩下的第8张图片作为测试图片，文件夹在HighGuardTest。
-
首次运行识别时，会下载
VGG16的预训练模型，大小在50M左右，以后运行无需下载。 -
先设置上述说列参数，再进行
开始训练，待训练完毕后，进行开始识别，则会将HighGuardTest文件夹中的图片依据训练所生成的feature_data.npz特征向量，进行比对，比对方式就是计算余弦值，进而获得识别概率。
- 主要包含三大模块，
VGG16模型，图像处理和GUI模块 - 训练流程：会将待训练图片，进行
自适应直方图—>直方图均衡化—>二值化—>Gaborfilter滤波处理，将最后得到的Gaborfilter滤波处理过的图片丢进VGG16，获得对应的特征向量，进行存储。 - 识别流程，将以上流程重复一遍，将待识别图片的特征向量，与数据库中所有特征向量进行比较，得出最相似的手指集对应的手指编号。
 |
 |