import os  
import cv2
def getNum(src, model):  
    # 讀取兩個指紋圖像  
    img1 = cv2.imread(src)  
    img2 = cv2.imread(model)  
      
    # 創(chuàng)建 SIFT 特征檢測器  
    sift = cv2.SIFT_create()  
      
    # 檢測特征點和計算特征描述符  
    kp1, des1 = sift.detectAndCompute(img1, None)  
    kp2, des2 = sift.detectAndCompute(img2, None)  
      
    # 創(chuàng)建 FLANN 匹配器  
    flann = cv2.FlannBasedMatcher()  
      
    # 使用 KNN 算法找到最佳的兩個匹配項  
    matches = flann.knnMatch(des1, des2, k=2)  
      
    # 存儲好的匹配項  
    ok = []  
    for m, n in matches:  
        # 根據(jù) Lowe's ratio test 過濾匹配項  
        if m.distance < 0.8 * n.distance:  
            ok.append(m)  
      
    # 返回好的匹配項的數(shù)量  
    num = len(ok)  
    return num

def getID(src, database):  
    max_num = 0  # 初始化最大匹配點數(shù)為0  
    for file in os.listdir(database):  # 遍歷數(shù)據(jù)庫中的文件  
        model = os.path.join(database, file)  # 構(gòu)建模型文件的完整路徑  
        num = getNum(src, model)  # 計算當(dāng)前模型與源指紋的匹配點數(shù)  
        print("文件名：", file, "距離:", num)  # 打印文件名和匹配點數(shù)  
          
        # 如果當(dāng)前匹配點數(shù)大于最大匹配點數(shù)，則更新最大匹配點數(shù)和對應(yīng)的文件名  
        if num > max_num:  
            max_num = num  
            name = file  
      
    # 從文件名中提取ID（這里假設(shè)文件名的第一個字符是ID）  
    ID = name[0] if name else None  # 如果name為空，則ID為None（這里應(yīng)該添加錯誤處理）  
      
    # 如果最大匹配點數(shù)小于100，則將ID設(shè)置為9999（這通常不是一個好的做法，因為它可能導(dǎo)致混淆）  
    if max_num < 100 and ID is not None:  # 添加ID非空的檢查  
        ID = 9999  
      
    return ID

def getName(ID):  
    # 定義一個字典來映射ID到姓名  
    nameID = {0: 'a', 1: 'b', 2: 'c', 3: 'd', 4: 'e', 5: 'f',  
              6: 'g', 7: 'h', 8: 'i', 9: 'j', 9999: 'k'}  
      
    # 從字典中獲取姓名（如果ID不在字典中，則返回None）  
    name = nameID.get(int(ID))  
    return name

if __name__ == "__main__":  
    src = 'src.bmp'  # 源指紋圖像的路徑  
    database = 'database'  # 指紋數(shù)據(jù)庫目錄的路徑  
    ID = getID(src, database)  # 獲取指紋ID  
    name = getName(ID)  # 根據(jù)ID獲取姓名  
    print('識別結(jié)果：', name)  # 打印識別結(jié)果