简介：这是一套面向毕业设计、期末大作业与课程设计场景的Python掌纹特征提取与分类完整项目，基于ResNet与SIFT两条技术路线实现图像特征提取，并完成分类识别任务；代码含详尽注释且经过严格调试，适合高校学生快速部署、验证与二次开发。压缩包整体13.49MB，共10个文件，其中4个Python脚本分别对应主程序、ResNet工具与SIFT工具实现，5个zip包含训练集、测试集与验证数据，另有README说明文档辅助快速上手。目前已有76人浏览学习。项目系统功能完善、界面简洁，从数据准备、模型训练到分类测试均有配套脚本，下载后简单配置即可运行，可整体移植作为毕业设计或课程设计的主代码；README还帮助快速理解掌纹特征提取与分类的完整流程，适合直接提交为可演示、可复现的正式项目成果。

1. 掌纹识别不是玄学：用 Python 把特征提取和分类跑通，毕业设计就够了

掌纹识别是生物特征识别里最“亲民”的方向，成像设备要求低、用户配合度好、特征纹理稳定，和指纹、人脸相比，它既有区分度又有可解释性。很多毕业设计选它，不是因为简单，而是因为“特征提取 + 分类”这条链路足够完整，能从图像处理一路做到机器学习，评阅老师一看就知道工作量在哪。基于 Python 的掌纹特征提取与分类任务，说白了就是四步：采集或获取掌纹图像、预处理 ROI、提取特征、训练分类器。这套流程在 PolyU、CASIA 等公开掌纹库上可以复现，也能用自己的手机拍图做小型验证。

但很多人一上手就卡在“不知道特征从哪来”。掌纹里最常用的特征有两类：一类是纹理特征，比如 Gabor 滤波响应、LBP 直方图；另一类是子空间特征，比如 PCA、LDA 降维后得到的投影系数。分类器则常用 SVM、KNN，或者直接上简单的 CNN。本文不打算做成论文复现，而是给你一套能落地的完整方案：从数据预处理、Gabor + LBP 特征提取，到 SVM 分类和交叉验证，每个环节都有代码和参数说明，最后把最容易翻车的细节逐个拆开。

2. 预备工作：掌纹数据从哪来、图像预处理要解决什么问题

2.1 数据集选择的三种常见路径

做掌纹分类，第一道坎就是数据。公开数据集里，香港理工大学的 PolyU Palmprint Database 和 CASIA Palmprint Database 是学术界最常用的两个。PolyU 是接触式采集，分辨率高，纹理清晰；CASIA 是非接触式，光照和尺度变化更大，更接近真实场景。毕业设计通常用 PolyU 就够了，因为它类别多、样本数稳定，分类任务好设计，论文里也好引用。

如果拿不到公开数据，还有两种替代方案：用手机在均匀光照下拍摄手掌，手动裁剪 ROI；或者用现成的掌纹采集设备（有些实验室有）。自己拍数据要注意一致性：手掌要放平、五指自然张开、拍摄距离固定，否则 ROI 提取会非常不稳定。我见过不少项目死在自采数据上，就是因为手掌角度稍微偏一点，ROI 切出来就完全对不上。

无论是公开库还是自采数据，统一的做法是把每张图缩放到固定尺寸，比如 128x128 或者 256x256，转成灰度图，再按 ROI 提取后的坐标保存。这样后面特征提取的输入就是对齐过的，分类准确率才有意义。

2.2 ROI 提取：掌纹识别的第一层坑

ROI（Region of Interest）提取决定后续所有特征的质量。PolyU 数据集的原始图像里，手掌周围有大量背景，手指之间的谷点（finger valley）是定位 ROI 的锚点。常见做法是：先二值化把手掌从背景里分离，找轮廓，再计算食指和中指之间的谷点、无名指和小指之间的谷点，以这两个点确定一个正方形区域作为 ROI。

这一步最容易翻车的地方是二值化阈值。光照不均会导致手掌和背景粘连，用固定阈值切出来全是噪点。我一般用 Otsu 自适应阈值，再配合形态学开运算去掉手指边缘的毛刺。下面是针对 PolyU 风格图像的 ROI 提取代码：

import cv2 import numpy as np def extract_roi(image_path, roi_size=128): # 读取图像并转灰度 img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (256, 256)) # Otsu 阈值分割，分离手掌和背景 _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 形态学开运算，去除边缘毛刺和孤立噪点 kernel = np.ones((5, 5), np.uint8) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 找最大连通域作为手掌区域 contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) palm_contour = max(contours, key=cv2.contourArea) # 提取手掌区域的凸包，用于后续谷点检测 hull = cv2.convexHull(palm_contour) # 计算手指谷点：这里简化为用凸包缺陷做筛选 # 实际应用中需要结合手指方向做旋转校正 # 找到 ROI 中心，裁剪正方形区域 x, y, w, h = cv2.boundingRect(palm_contour) cx, cy = x + w // 2, y + h // 2 half = roi_size // 2 roi = img[cy - half:cy + half, cx - half:cx + half] return roi

这段代码里cv2.THRESH_OTSU是关键，它自动计算分割阈值，比固定阈值更抗光照干扰。形态学开运算是第二个关键点，直接用findContours找轮廓时，手指边缘的锯齿会被当成轮廓的一部分，影响凸包计算。代码注释里提到“旋转校正”，是因为手指谷点连线并不总是水平的，如果手掌在图像里有旋转，ROI 会切歪。

2.3 图像增强和归一化：别在特征提取前偷懒

ROI 提取之后，图像增强不能省。掌纹图像的对比度普遍一般，直接用原始灰度做特征提取，Gabor 响应会被光照主导而不是纹理主导。常用的是 CLAHE（对比度受限自适应直方图均衡化），它能抑制光照不均，同时不过度放大噪声。

def preprocess_roi(roi): # CLAHE 增强对比度 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) roi_enhanced = clahe.apply(roi) # 归一化到 [0,1] 区间，方便后续特征计算 roi_norm = roi_enhanced.astype(np.float32) / 255.0 return roi_norm

clipLimit=2.0是限制对比度增强幅度的参数，太大会把噪声也放大，太小则增强效果不明显。tileGridSize=(8,8)把图像分成 8x8 的小块，在每个小块内做直方图均衡化，这样可以保留局部纹理细节，而不是整张图全局均衡。

还有一个容易被忽略的点：如果用的是自采数据，ROI 提取前要做缩放归一化到固定尺寸，否则后面提取特征时特征向量的维度不一致，SVM 训练直接报错。

3. 掌纹特征提取：Gabor 滤波和 LBP 的互补组合

3.1 Gabor 滤波为什么适合掌纹纹理

掌纹的核心特征是线状纹理，包括主线和细小的褶皱线，这些线在不同方向上有不同的频率分布。Gabor 滤波器能同时捕捉特定方向和特定频率的响应，正好匹配掌纹这种方向性纹理结构。相比之下，直方图统计类的特征（如灰度直方图）丢失了空间位置信息，PCA 这类全局特征又难以表达局部纹理差异。

常见的做法是构造一组多方向、多尺度的 Gabor 滤波器组，比如 6 个方向、4 个尺度，得到 24 个滤波响应图，再把这些响应图的统计量（均值、方差、能量）拼接成特征向量。但 24 个响应图直接拼接会导致特征维度爆炸，一般做法是只取滤波后的幅度图，下采样后用均值或方差做聚合。

import cv2 import numpy as np def build_gabor_filters(kern_size=21, scales=4, orientations=6): filters = [] for scale_idx in range(scales): for orient_idx in range(orientations): # 频率随尺度递增，方向均匀分布 freq = 0.08 * (scale_idx + 1) theta = orient_idx * np.pi / orientations # cv2.getGaborKernel 生成实值 Gabor 核 kernel = cv2.getGaborKernel( (kern_size, kern_size), # 核大小 3.0, # sigma：高斯包络标准差 theta, # 方向 freq, # 频率 0.5, # 空间纵横比 0, # 相位偏移 ktype=cv2.CV_32F ) filters.append(kernel) return filters def gabor_features(roi, filters): responses = [] for kernel in filters: # 卷积得到响应图，取幅度 filtered = cv2.filter2D(roi, cv2.CV_32F, kernel) # 下采样到 32x32，降低维度同时保留空间分布 small = cv2.resize(filtered, (32, 32)) # 用均值 + 标准差作为该滤波器的特征描述 responses.append(small.mean()) responses.append(small.std()) return np.array(responses)

这里freq = 0.08 * (scale_idx + 1)控制纹理的精细程度，频率越高，响应的是越细的褶皱；频率太低，只看到手掌的大轮廓趋势，特征区分度反而下降。sigma=3.0决定滤波器在空间上的覆盖范围，sigma 太小会忽略纹理的连续性，太大则边缘附近会互相干扰。特征聚合用的是均值和标准差，而不是把整个响应图展开，这样既保留了响应强度信息，又控制了特征维度——4 尺度 6 方向，每个滤波器贡献 2 个值，最终特征向量是 48 维。

3.2 LBP 特征：对局部微纹理的补充

Gabor 擅长捕捉较大尺度的线状纹理，但掌纹上还有很多细碎的褶皱和脊线，LBP（局部二值模式）正好是对这种局部微纹理的补充。LBP 的基本思想是：对每个像素，比较它和周围邻域 8 个像素的灰度值，大于中心像素记为 1，否则记为 0，得到一个 8 位二进制数，作为该像素的纹理编码。

在实际应用中，直接使用原始 LBP 特征维度是 256（2 的 8 次方），加上掌纹图像空间位置变化，直接拼直方图效果一般。改进方案是分块 LBP：把 ROI 分成 4x4 或 8x8 的小块，在每个块内计算 LBP 直方图，然后拼接起来。这样兼顾了局部纹理和空间位置。

from skimage.feature import local_binary_pattern def lbp_features(roi, num_points=8, radius=1, block_size=4): # 计算 LBP 图像 lbp = local_binary_pattern(roi, num_points, radius, method='uniform') # 分块统计直方图 h, w = lbp.shape bh, bw = h // block_size, w // block_size hist_parts = [] for i in range(block_size): for j in range(block_size): block = lbp[i*bh:(i+1)*bh, j*bw:(j+1)*bw] # uniform 模式下 bin 数为 num_points + 2 hist, _ = np.histogram(block, bins=np.arange(num_points + 3), density=True) hist_parts.append(hist) # 拼接所有块的特征直方图 return np.concatenate(hist_parts)

method='uniform'是关键参数。等价模式把二进制编码中跳变次数不超过 2 的模式单独归类，跳变多的算作一类，这样维度从 256 降到 num_points+2，也就是 10 维。num_points=8, radius=1是基础配置，适合 128x128 分辨率下的掌纹图像；如果图像分辨率更高，可以考虑num_points=16, radius=2，但块的大小也要跟着调整，否则空间信息丢失。

3.3 特征融合：不是简单拼接就完事

Gabor 特征表达的是全局滤波响应，LBP 表达的是局部纹理分布，两类特征互补性强。拼接是最常见的融合方式，但直接拼接有一个问题：两类特征的数值范围不一样。Gabor 特征里滤波响应的均值可能是小数，而 LBP 直方图的值是密度估计，范围在 0 到 1 之间。如果直接拼，数值大的维度会主导距离计算。

常见的处理是分别做标准化再拼接，或者用 PCA 降维后再拼接。我一般习惯用StandardScaler对两类特征分别标准化，然后拼接，再统一重新标准化。这个方法在 sklearn 里只需要两行，但能有效避免特征尺度失衡。

from sklearn.preprocessing import StandardScaler def fuse_features(gabor_vec, lbp_vec): # 分别标准化，消除尺度差异 scaler_g = StandardScaler().fit_transform(gabor_vec.reshape(-1, 1)) scaler_l = StandardScaler().fit_transform(lbp_vec.reshape(-1, 1)) fused = np.concatenate([scaler_g.flatten(), scaler_l.flatten()]) return fused

这里用reshape(-1, 1)是因为StandardScaler要求输入是二维的，每个样本是一行。需要注意的是，如果你有多个样本，应该对整批样本求均值和方差，而不是每个样本单独标准化。上面这段代码只是展示思路，实际项目中要先把所有样本的特征提取完，再统一做标准化。

4. 分类任务实现：SVM 参数调优和交叉验证的套路

4.1 SVM 为什么是毕业设计的默认选择

特征提取完之后，分类器选择直接决定最终准确率。深度学习在掌纹识别上也有效果，但毕业设计要解释特征提取过程，SVM 配合手写特征是最稳妥的方案：训练速度快、在小样本上表现好、核函数选择灵活、结果可解释。KNN 虽然简单，但对特征尺度敏感，高维特征下距离度量容易失效。

SVM 最常用的核函数是 RBF（径向基函数），因为掌纹特征在高维空间中一般不是线性可分的，RBF 核能映射到无限维空间，兼顾线性不可分的情况。线性核只在特征已经高度线性可分时才有优势，而多项式核对参数敏感，容易过拟合。所以默认选 RBF，再调两个参数：C 和 gamma。

4.2 C 和 gamma：先粗调再细调

C 是误分类惩罚系数，C 越大，模型越不愿意容忍训练集上的错误，容易过拟合；C 越小，模型倾向于更简单的决策边界，但可能欠拟合。gamma 是 RBF 核的宽度参数，gamma 越大，高斯核越“尖”，每个样本的影响范围越小，决策边界越曲折；gamma 越小，决策边界越平滑。

粗调阶段用网格搜索 + 交叉验证，搜索范围按数量级划分。C 常用的范围是 0.1 到 100，gamma 是 0.001 到 0.1，用GridSearchCV跑一轮找到最优区间，再缩小范围细调。训练集类别多的时候，网格搜索的计算量会很大，建议先用小训练集试探。下面给出一段完整的训练代码：

from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV, StratifiedKFold # X_all 是特征矩阵，y_all 是类别标签 # 先用粗网格搜索找参数区间 param_grid = { 'C': [0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1], 'kernel': ['rbf'] } svm = SVC(probability=True, random_state=42) cv_strategy = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) grid_search = GridSearchCV( svm, param_grid, cv=cv_strategy, scoring='accuracy', n_jobs=-1, verbose=1 ) grid_search.fit(X_all, y_all) print("Best parameters:", grid_search.best_params_) print("Best cross-val accuracy:", grid_search.best_score_) # 用最优参数重新训练 best_svm = grid_search.best_estimator_

probability=True允许 SVM 输出概率估计，这在答辩时可以直接展示每个测试样本的置信度。StratifiedKFold保证每一折的类别比例和全局一致，防止某一折恰好缺少某个类别的样本。n_jobs=-1用所有 CPU 核并行搜索，能节省大量时间，但要注意内存，网格搜索会同时跑多个模型。

4.3 不只跑一折：训练集和测试集划分的讲究

很多毕业设计栽在数据集划分上：要么直接用全量数据训练，然后用同一批数据测试，导致准确率虚高；要么划分时没有打乱数据，同一个人的多张掌纹图片连续出现在训练集和测试集里，造成数据泄露。

正确的做法是：先在更细的粒度上划分，保证同一只手的多张图像不会同时出现在训练集和测试集。PolyU 数据集通常每个类有多个样本，如果按图像随机划分，同一个人的不同图像可能被分到两边，分类器学习到的是“这是某个人”的固有特征，测试时遇到同一个人没见过的图像也能分类正确，但这在真实场景中不算作弊——因为注册阶段和验证阶段本来就是同一只手的不同图像。真正的数据泄露是按文件夹划分：同一个人的所有样本必须在同一侧。

from sklearn.model_selection import train_test_split # 假设 data_by_person 是一个字典，键是人名，值是特征列表 # 按人划分，保证同一个人所有样本在训练或测试集中 persons = list(data_by_person.keys()) train_persons, test_persons = train_test_split( persons, test_size=0.2, random_state=42, stratify=labels_by_person ) X_train = [feature for p in train_persons for feature in data_by_person[p]] y_train = [p for p in train_persons for _ in range(len(data_by_person[p]))] # 测试集同理

这段代码的关键是按persons划分而不是按图像划分。stratify=labels_by_person保证训练集和测试集里每个人的图像数量比例大致一致，避免某一类在训练集中只有 1 张、在测试集中有 10 张这种极端不平衡。

5. 避坑指南：掌纹识别项目最容易翻车的 5 个细节

5.1 现象：准确率莫名很高，但换数据集就直接崩

原因：特征提取时没有做跨数据集的标准化。Gabor 滤波器参数（频率、方向）是针对某个数据集调好的，换一个数据集后，图像分辨率和采集条件变了，同样参数提取出的特征分布完全不同。

解决：设计特征提取阶段时，不要只在一个数据集上调参。拿到新数据集，先用 2.2 节的 ROI 提取流程重新跑一遍，观察滤波响应图的视觉效果，再根据实际情况调整频率参数。另外，标准化应该在训练集上做，然后把相同的均值和方差应用到测试集上，而不是各自单独标准化。

5.2 现象：LBP 直方图特征维度太大，训练非常慢

原因：num_points=16时 uniform 模式 bin 数是 18，如果分成 8x8 块，特征维度是 18x64=1152 维，加上 Gabor 特征，总维度超过 1200 维。SVM 在 1200 维特征上的训练时间还可以接受，但如果样本数几千个，网格搜索会非常耗时。

解决：先用 PCA 把拼接后的特征降到 100 维以内，再做 SVM。PCA 在保留 95% 方差的前提下能大幅压缩维度，而且对 RBF 核 SVM 的准确率影响不大。具体做法是用PCA(n_components=0.95)，这样让 PCA 自己决定保留多少维度。

5.3 现象：交叉验证准确率 90%，但测试集准确率只有 60%

原因：最典型的数据集划分问题。一些人用手掌样本里同一个人的多张图像做数据增强（旋转、平移），增强后的图像和原图很相似，如果这些变体同时出现在训练集和验证集，验证分数是虚高的。测试集里是完全没有见过的图像，准确率自然掉下来。

解决：按 4.3 节的方式，按人划分而不是按图像划分。并且在做数据增强时，要把增强后的图像和原图放在同一边，不允许跨集合。

5.4 现象：ROI 提取在部分图像上出现“黑块”或旋转偏移

原因：二值化阈值在极端光照下失效。比如手掌下缘和背景粘连，max(contours, key=cv2.contourArea)选到的最大连通域里包含了一部分背景区域，后续 ROI 裁剪时切到了手腕位置。

解决：在没有准确谷点检测的情况下，有一招“后悔药”：先用固定阈值和 Otsu 各跑一次，观察两者的 ROI 差异，如果差异很大，说明图像光照有问题，需要重新采集或手动调整 ROI 中心。生产项目中可以加一步轮廓近似：用cv2.approxPolyDP简化轮廓，筛掉手腕部位的长条形轮廓段。

5.5 现象：SVM 训练代码报错Data must be 2D

原因：特征拼接时，某一类特征是一维数组，另一类是二维数组（比如hist_parts拼接后变成了二维矩阵），导致最终特征矩阵形状不一致。

解决：在所有特征提取函数的返回处统一reshape(1, -1)，确保每个样本是一维向量。测试时先打印X_all.shape，确认是(n_samples, n_features)再送入模型。这条踩坑经验几乎每个做多特征融合的人都会遇到一次。

6. 验证方法：做混淆矩阵、准确率曲线和你该知道的几个进阶方向

交叉验证给一个准确率数字是不够的，答辩时评阅老师一定会问：“哪些类别容易分错？为什么？”所以验证部分至少要有混淆矩阵和每个类别的精确率/召回率。另外，如果时间充裕，可以用深度特征做对比实验，比如把 ResNet 倒数第二层的输出作为特征输入 SVM，和 Gabor+LBP 对比，这样能体现你对两种技术路线都有自己的理解。

混淆矩阵的代码很简单：

from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt # 用最优模型做预测 y_pred = best_svm.predict(X_test) # 输出每个类别的精确率、召回率、F1 print(classification_report(y_test, y_pred, digits=4)) # 绘制混淆矩阵热力图 cm = confusion_matrix(y_test, y_pred) plt.figure(figsize=(10, 8)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues') plt.xlabel('Predicted') plt.ylabel('True') plt.savefig('confusion_matrix.png', dpi=150)

classification_report里的digits=4可以输出四位小数，方便写进报告。混淆矩阵要重点看对角线之外的密集点，那往往是纹理相似的类别——比如同一只手的左手右手，因为掌纹主线走向相近，容易被混淆。

进阶方向有三个，按性价比排序：一是用多尺度 LBP 替代单尺度 LBP，即在num_points=8, radius=1之外叠加num_points=16, radius=2，然后拼接直方图；二是用 Gabor 响应图的局部能量图做特征统计，而不是只取全局均值和标准差；三是试试用预训练 CNN 做特征提取，具体做法是把掌纹 ROI 缩放到 224x224，送入 ResNet18，取全局池化层的 512 维输出做特征，再训练 SVM。

第三个方向的效果通常会比纯手工特征好 5 到 10 个百分点，但要注意 ResNet 的 ImageNet 预训练模型对掌纹这种纹理类图像并不完全适配，如果没有时间微调，效果可能还不如 Gabor。我的个人习惯是先把手工特征和 SVM 的基线跑通，记录准确率和每个类别的表现，再把深度学习方案作为加分项对比展示。

最后一条经验是：保存特征提取参数和训练代码的版本，不要只保存模型。因为模型文件只能给出预测结果，而答辩时老师会问参数是怎么选的，特征为什么这样提取，这些只有代码和中间结果能回答。每次调参都记录当时的准确率变化，这是毕业设计里最值得花时间的部分。希望这些经验能帮你少走点弯路，祝你的掌纹识别项目一次跑通。

本文还有配套的精品资源，点击获取