指纹识别q-Toy模板网

这篇具有很好参考价值的文章主要介绍了指纹识别q。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

指纹识别q

1、指纹传感器

FTIR(Frustrated Total Internal Reflection)，受抑全内反射。在屏幕的夹层中加入LED光线，当用户按下屏幕时，使夹层的光线造成不同的反射效果，感应器接收光线变化而捕捉用户的施力点。明显的缺点：体积太大。薄膜晶体管TFT（ Thin Film Transistor）是目前制造大型LCD面板的成熟且廉价的技术，它通过在玻璃基板上沉积非晶硅薄膜来创建晶体管。晶体管仅覆盖每个像素区域的一小部分，薄膜的其余部分被蚀刻掉以允许光线通过。为了开发TFT光学传感器，阵列的每个像素都由光电二极管和读出晶体管组成。TFT技术允许设计大面积面板和高分辨率设备。透明材料和柔性基板可用于将TFT光学传感器嵌入便携式设备的显示器中，或将它们包裹在曲面上。
高分辨率相机。非接触式采集。优点皮肤不会发生弹性变形，更卫生，传感器表面没有残留指纹。缺点指纹图像的对比度较低。
光学相干断层扫描（Optical Coherence Tomography，OCT）使用低相干光来捕获生物组织的深层图像，目前主要应用在医疗领域（观察皮肤、眼睛、血管等）。
电容传感器是嵌入面板的微型电容阵列。手指按在芯片上时，手指和每个电容之间形成了电荷。这些电荷的大小取决于指纹和电容之间的距离，指纹脊和谷导致板上的电容值不同。为了准确测量电容，研究者开放出各种方法以获得足够的灵敏度区分脊和谷。在第一代电容指纹传感器中，微电容阵列是嵌入在CMOS技术制造的硅片中，小面积。新一代的电容传感器是基于TFT工艺将传感器阵列嵌入在玻璃基板上，大面积，而且可以显示。TFT电容传感器的设计比光学TFT更简单，因为后者需要提供照明并引导反射的光子束汇聚在像素上。然而，电容技术的缺点是隔着较厚的玻璃难以获取高质量的指纹图像。
超声波传感是基于发送声学指向指尖的信号，并捕获回波信号（见下图），从回声信号计算指纹的脊线结构。主要组件是发送器和接收器。前者产生声脉冲，后者检测这些脉冲从指纹反弹时的响应。该方法是对手指较深层次的皮肤进行成像（甚至能透过薄手套），因此对脏手指、潮湿手指的成像比较好。

2、指纹特征提取

指纹的特征可以分为从粗到细的三个级别。

第一级：脊线方向场和频率图（脊线疏密程度）。按照傅里叶分析的观点，如果把局部脊线图像看作二维正弦波，一级特征就是正弦波的方向和频率，而不包括相位。一级特征中的方向场尤其重要。方向场在指纹的多数区域是平滑的，但在个别区域呈现出独特的形状（表现为脊线曲率变大、大量脊线终止）。这些区域称为奇异点或者奇异区，有两种基本类型：环形和三角形，奇异点通常位于手指中央。按照数学公式，仅用奇异点的位置和类型，就可以近似拟合出原始方向场；因此奇异点可以看作是方向场的非常紧致（compact）的表示；

第二级：脊线骨架图（细节点minutia是脊线的特殊点）。细节点的数量可以超过100个，实际仅需12-15个匹配细节点就足以推断两个指纹来自同一根手指。指纹识别算法通常只考虑两种基本类型：结束点和分叉点，因为其他复合细节点类型可以表示为结束点和分叉点的组合。由于细节点的属性至少包括位置和角度，实际上指纹的细节点集合包含了大量的一级特征；

第三级：脊线的内外轮廓（汗孔即内轮廓）。

指纹识别q

3、指纹匹配

指纹匹配技术，最根本的差异在于指纹的特征表示，其次是对齐方法和匹配分数计算方法。

细节点是最著名和最广泛使用的指纹表示。优点：指纹鉴定专家在比对指纹时也主要关注细节点；存储空间小；鉴别能力强（信息量大）。缺点：当传感器的面积很小时，例如只有4-5个细节点，细节点匹配技术的性能也会剧烈下降；由于细节点数量可变和缺乏自然顺序，匹配算法的复杂度较高。
除了细节点集合，还有方法：灰度图像；脊线方向场；脊线图；经验设计的纹理特征；深度网络学习的特征；关键点集合；多种表示的融合。

细节特征点的数量、位置和所在区域的纹线方向来度量，细节特征的集合形成一个拓扑结构？。指纹匹配就是两个拓扑结构的匹配问题。

目前主流的匹配方法主要分为模板匹配、图像相关、细节匹配、纹线匹配。

1）模板匹配：这类方法多利用指纹的纹理信息，如比较两枚指纹的指纹及其插值改进模板等，通过计算模板之间的相似程度来得到两枚指纹的匹配结果。模板匹配方法的匹配速度较快，但建立模板常需要进行多次滤波，滤波的耗时会极大地影响登录的速度。对于许多类型相似的指纹，从宏观角度描述的模板缺乏足够的鉴别能力。

2）图像匹配：这类方法借鉴一般图像匹配的思路，找到指纹图像的参考点之后，对整幅指纹图像进行相关处理，计算其相似程度来鉴别身份。这种方法在上这种方法非常适合在线识别，但受指纹质量影响较大，需要采集者密切配合。这种方法对于形变和劣质指纹具有较明显的优势，但是匹配速度较慢。

3）纹线匹配：这类方法将纹线作为指纹匹配的直接对象，首先比较两条纹线之间的相似程度，然后计算判断其附近的纹线是否匹配，接着选取匹配程度最大的纹线对作为参考纹线，计算其它纹线的相似程度。相对于点模式匹配，这类方法判断纹线是否匹配时有很多的判断，速度较慢。在非线性形变的影响下，纹线的严格匹配关系难以准确建立。

4）细节匹配：这类方法主要利用了指纹细节点之间对应关系的不变性。点模式匹配是其中的典型代表，它首先提取指纹的细节点特征，形成特征点集，然后对输入指纹和模板指纹的细节点集进行比对，对输入指纹的细节点进行几何变换之后，寻找模板指纹中对应的细节点，在重合面积内找到的细节点数目超过一定阈值，则两者可视为来自同一手指。

模板匹配方法步骤

1、特征提取
指纹的特征提取，用3x3的模板逐点对细化后的指纹图像的脊线进行检测，就可以初步选出所有的细节特征，记录下这些细节特征的类型和位置坐标，以便于下一步的剪枝处理。先去除伪特征端点，得到想要的特征点和中心点。特征端点用’o’标注，特征分叉点用’+‘标注，中心点用红色’*'标注。
2、指纹的匹配

根据得到的特征端点和特征点进行分类，特征端点分类为1，特征分叉点分类为2；
建立特征端点和特征分叉点相对中心点的距离向量；
建立特征端点和特征分叉点相对中心点的方向向量。
按相同的原理得到待匹配指纹的特征点和特征端点；
选用点类型匹配？，找到一个指纹细化图像的特征点后，在该端点周围找到四十个端点或者交叉点，统计在这四十个特征点中端点的个数和交叉点的个数。若有两幅指纹细化图像中的端点所占的比例近似相同，则两幅图像相匹配，越近似，则越相同。

指纹识别q

opencv实现指纹匹配

以下是一个简单的示例，演示了如何使用OpenCV库中的指纹识别算法进行指纹匹配。

import cv2
import numpy as np

def match_fingerprints(fingerprint1, fingerprint2):
    # 读取指纹图片
    img1 = cv2.imread(fingerprint1, 0)
    img2 = cv2.imread(fingerprint2, 0)

    # 提取指纹特征点
    orb = cv2.ORB_create(nfeatures=5000)
    keypoints1, descriptors1 = orb.detectAndCompute(img1, None)
    keypoints2, descriptors2 = orb.detectAndCompute(img2, None)

    # 匹配指纹特征点
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = bf.match(descriptors1, descriptors2)
    matches = sorted(matches, key=lambda x: x.distance)

    # 计算匹配率
    num_matches = len(matches)
    num_good_matches = int(num_matches * 0.7) # 选取前70%的匹配点
    good_matches = matches[:num_good_matches]
    match_score = len(good_matches) / float(num_matches)

    return match_score
```

matlab实现指纹匹配

以下是一个简单的示例，使用MATLAB自带的Image Processing Toolbox进行指纹图像处理和特征提取。

```
% 读取指纹图片
fingerprint1 = imread('fingerprint1.png');
fingerprint2 = imread('fingerprint2.png');

% 对指纹图像进行预处理
preprocessed_fingerprint1 = preprocess_fingerprint(fingerprint1);
preprocessed_fingerprint2 = preprocess_fingerprint(fingerprint2);

% 提取指纹特征
feature_vector1 = extract_fingerprint_features(preprocessed_fingerprint1);
feature_vector2 = extract_fingerprint_features(preprocessed_fingerprint2);

% 计算匹配分数
match_score = calculate_match_score(feature_vector1, feature_vector2);

function preprocessed_fingerprint = preprocess_fingerprint(fingerprint)
    % 将指纹图像转换为灰度图像
    grayscale_fingerprint = rgb2gray(fingerprint);

    % 进行直方图均衡化以增强对比度
    equalized_fingerprint = histeq(grayscale_fingerprint);

    % 使用高斯滤波器平滑图像
    gaussian_filtered_fingerprint = imgaussfilt(equalized_fingerprint, 2);

    % 对图像进行二值化处理
    binary_fingerprint = imbinarize(gaussian_filtered_fingerprint);

    % 去除噪声
    noise_removed_fingerprint = medfilt2(binary_fingerprint);

    % 对图像进行形态学处理
    se = strel('disk', 3);
    preprocessed_fingerprint = imdilate(noise_removed_fingerprint, se);
end

function feature_vector = extract_fingerprint_features(preprocessed_fingerprint)
    % 使用方向性梯度直方图提取特征
    [Gx, Gy] = imgradientxy(preprocessed_fingerprint);
    [Gmag, Gdir] = imgradient(Gx, Gy);
    feature_vector = extractHOGFeatures(preprocessed_fingerprint, 'CellSize', [8 8], 'BlockSize', [2 2]);
end

function match_score = calculate_match_score(feature_vector1, feature_vector2)
    % 计算两个指纹特征向量之间的欧几里得距离
    match_score = norm(feature_vector1 - feature_vector2);
end
```

参考资料6。matlab实现特征提取，端点和分叉点。没有指纹匹配。

%Program for Fingerprint Minutiae Extraction
%
%Author : Athi Narayanan S
%Senior Research Associate
%http://sites.google.com/site/athisnarayanan/
%s_athi1983@yahoo.co.in
%
%Program Description
%This program extracts the ridges and bifurcation from a fingerprint image该程序从指纹图像中提取脊和分叉

%Read Input Image
%基于阈值的方法将输入图像转换为m×n矩阵形式的二值图像bw
binary_image=im2bw(imread('input_1.tif'));

% Small region is taken to show output clear
% 显示部分二值化指纹
binary_image = binary_image(120:400,20:250);
figure;imshow(binary_image);title('Input image');

% Thinning
% bwmorph对二值图像的形态学运算。‘thin’通过从对象边界删除像素，将对象收缩为线。使没有孔洞的对象收缩为具有最小连通性的线，有孔洞的对象收缩为每个孔洞和外边界之间的连通环。执行inf次。显示。
thin_image=~bwmorph(binary_image,'thin',Inf);
figure;imshow(thin_image);title('Thinned Image');

% Minutiae extraction
% 特征提取。分叉点bifurcation和脊ridge。
s=size(thin_image);
N=3;%window size
n=(N-1)/2;
r=s(1)+2*n;
c=s(2)+2*n;
double temp(r,c);   
temp=zeros(r,c);bifurcation=zeros(r,c);ridge=zeros(r,c);
temp((n+1):(end-n),(n+1):(end-n))=thin_image(:,:);
outImg=zeros(r,c,3);%For Display
outImg(:,:,1) = temp .* 255;
outImg(:,:,2) = temp .* 255;
outImg(:,:,3) = temp .* 255;
for x=(n+1+10):(s(1)+n-10)
    for y=(n+1+10):(s(2)+n-10)
        e=1;
        for k=x-n:x+n
            f=1;
            for l=y-n:y+n
                mat(e,f)=temp(k,l);
                f=f+1;
            end
            e=e+1;
        end;
         if(mat(2,2)==0)
            ridge(x,y)=sum(sum(~mat));
            bifurcation(x,y)=sum(sum(~mat));
         end
    end;
end;

% RIDGE END FINDING
% 寻找端点。
[ridge_x ridge_y]=find(ridge==2);
len=length(ridge_x);
%For Display
for i=1:len
    outImg((ridge_x(i)-3):(ridge_x(i)+3),(ridge_y(i)-3),2:3)=0;
    outImg((ridge_x(i)-3):(ridge_x(i)+3),(ridge_y(i)+3),2:3)=0;
    outImg((ridge_x(i)-3),(ridge_y(i)-3):(ridge_y(i)+3),2:3)=0;
    outImg((ridge_x(i)+3),(ridge_y(i)-3):(ridge_y(i)+3),2:3)=0;
    
    outImg((ridge_x(i)-3):(ridge_x(i)+3),(ridge_y(i)-3),1)=255;
    outImg((ridge_x(i)-3):(ridge_x(i)+3),(ridge_y(i)+3),1)=255;
    outImg((ridge_x(i)-3),(ridge_y(i)-3):(ridge_y(i)+3),1)=255;
    outImg((ridge_x(i)+3),(ridge_y(i)-3):(ridge_y(i)+3),1)=255;
end

% BIFURCATION FINDING
% 寻找分叉点。
[bifurcation_x bifurcation_y]=find(bifurcation==4);
len=length(bifurcation_x);
%For Display
for i=1:len
    outImg((bifurcation_x(i)-3):(bifurcation_x(i)+3),(bifurcation_y(i)-3),1:2)=0;
    outImg((bifurcation_x(i)-3):(bifurcation_x(i)+3),(bifurcation_y(i)+3),1:2)=0;
    outImg((bifurcation_x(i)-3),(bifurcation_y(i)-3):(bifurcation_y(i)+3),1:2)=0;
    outImg((bifurcation_x(i)+3),(bifurcation_y(i)-3):(bifurcation_y(i)+3),1:2)=0;
    
    outImg((bifurcation_x(i)-3):(bifurcation_x(i)+3),(bifurcation_y(i)-3),3)=255;
    outImg((bifurcation_x(i)-3):(bifurcation_x(i)+3),(bifurcation_y(i)+3),3)=255;
    outImg((bifurcation_x(i)-3),(bifurcation_y(i)-3):(bifurcation_y(i)+3),3)=255;
    outImg((bifurcation_x(i)+3),(bifurcation_y(i)-3):(bifurcation_y(i)+3),3)=255;
end
figure;imshow(outImg);title('Minutiae');

运行结果：

指纹识别q

嵌入式平台/实际传感器中的指纹识别

使用电容式指纹传识别模块AD-013。指纹识别芯片上的型号是杭州晟元芯片技术有限公司(Synochip)的AS608。模块厂商基于AS608设计外围电路，集成一个可供2次开发的指纹模块，比如 AS608+电容传感器、 AS608+摄像头。所以，只要是基于AS608芯片的指纹模块，其控制电路及控制协议几乎是一样的，只是厂家和性能不同而已。

指纹特征提取和匹配算法已经存储在AS608芯片ROM内，无法得知。模块只能完成后续工作，或使用模块开发其他场景应用，如使用指纹控制舵机模仿指纹锁功能等。

AS608用户手册（中文版）（ADH版）要点：

参数表由MCU初始化程序（ROM或用户定义）在芯片第一次通电时配置，结果存储在FLASH（的SPM区域）。上电后，DSP初始化程序将参数表从FLASH加载到RAM，然后根据参数表初始化寄存器。参数表的长度为64word（128byte）在RAM中的地址是0x200~0x23F。
芯片中有一个72K字节的图像缓冲区ImageBuffer和两个512字节的特征文件缓冲区CharBuffer1和CharBuffer2。用户可以通过指令读取/写入上述任何缓冲区。CharBuffer1或CharBuffer2可用于存储常规要素文件和模板要素文件。为了减少通过UART接口上传或下载图像时的通信时间，只应用像素字节的高4位，即在传输时将两个像素字节合并为一个字节。在通过USB接口进行传输时，没有这样的技巧。指纹数据库的容量随着FLASH存储器容量的变化而变化，FLASH存储器的容量由系统自动识别。指纹模板按照序列号顺序存储，序列号的定义为：0~（N-1）（N=指纹数据库容量）。注意：只有通过序列号索引，用户才能访问指纹数据库。
指纹特征文件占用256字节，包括一般信息（56byte）和细节信息（200byte，每个细节4byte，具体见图），即一个指纹不超过50个细节特征；模板文件占用512字节，是同一指纹的两个特征文件的总和。
ROM包含完整的指纹识别系统，包括通信协议、命令解释、算法、FLASH管理以及传感器FPC1011C、LTT C500（或HF105）的驱动程序。因此，如果实现了传感器FPC1011C或LTT C500，除了引脚GPIO[13:8]的正确设置外，在整个系统的构建中不需要加载或写入额外的驱动器。
MCU SOC可以与几个必要的外围电路（传感器、闪光灯、电源等）组成完整的指纹识别模块。该模块始终处于从模式。主机可以针对各种功能向模块发出不同的指令。主机指令、模块ACK和数据交换都是按照给定格式的数据包工作的。主机应根据以下格式对需要传输的指令和数据进行分组，并分析接收到的数据分组。对于多字节数据，高字节在前，低字节在后。

指纹识别q

确认码ACK是向主机报告相关的命令运行情况和结果，ACK包包含参数，可以与连续数据包在一起。只有当主机接收到SOC的ACK包时，才能确认SOC包接收和指令执行的条件。根据手册在库文件h中定义。
指令集。包含多个函数，在库文件.cpp中实现。举例：PS_UpImage函数上传图像。功能：将模块图像缓冲区ImageBuffer中的数据上传给上位机。输入参数：none。返回参数：确认字。指令代码：0x0a。1byte包含2像素，每个像素有4bit。AD013的传感器是160x160 pixels。

指纹识别q

AD013电容传感器参数如下：

指纹识别q

1、硬件连接

传感器模块板如下，6个端口引脚：1电源3.3v、2地GND、3RX串口输入、4TX串口输出、5和6脚不接。中间方块部分空缺芯片即为AS608。

RX、TX分别接入arduino UNO的6、7脚。连接规则源于主程序。

SoftwareSerial mySerial(6, 7);

指纹识别q

以下是AD013原理图。左边芯片是电容传感器，右边芯片是AS608。J1为AS608和UNO的接口。指纹识别q

2、程序调试

在连接指纹传感器之前，先测试arduino开发板是否正常工作，再安装指纹识别芯片库文件。

设置开发板。“工具”→“端口”选择连接到电脑的端口COM？，“工具”→“开发板”选择开发板型号‘UNO’。
指示灯闪烁示例。“文件”→“示例”blink，“项目”→“上传”代码上传到开发板的程序存储空间。
串口调试。“工具”→“串口监视器”。
添加/管理库文件。“项目”→“包含库”，添加自己的库文件，或直接搜索网络上的库文件。在库管理重搜索并安装 Adafruit_Fingerprint库，该库就是AS608的库。库文件必须包含至少3个文件：头文件h、函数文件cpp、库参数文件library.properties，缺少这些文件就无法添加库。

指纹识别q

3、程序结构分析

程序由3部分组成：

主程序文件.ino。完成逻辑功能。
.h文件。宏定义20多个确认码；宏定义10多个指令代码；定义1个结构体表示UART数据包；定义1个类表示指纹，声明所有函数但不定义。还定义了LED控制相关宏，不具有通用性不做解释。注：宏定义确认码和指令码非必须，但可以让程序易读。
.cpp文件。指纹类的所有函数定义；宏定义发送和接受指令2个函数。

这样的程序结构设计理由来源于C++文献20，8.5.2节的类声明和成员函数定义的分离。

4、实验与结果分析

主程序按不同功能分3个，程序来源资料14《Using Lcd1602 ,Arduino uno and as608》。

实验1：enroll。指纹录入。

第一步：在setup程序段中，检查传感器是否连接，并返回传感器参数：存储容量、设备安全等级、设备地址、波特率。

如果找到传感器，在串口监视器中显示：

Adafruit Fingerprint sensor enrollment
Found fingerprint sensor!
Reading sensor parameters
Status: 0x0
Sys ID: 0x0
Capacity: 40
Security level: 3
Device address: FFFFFFFF
Packet len: 128
Baud rate: 57600
Ready to enroll a fingerprint!
Please type in the ID # (from 1 to 127) you want to save this finger as...

未连接成功返回：

Adafruit Fingerprint sensor enrollment
Did not find fingerprint sensor :(

第二步：循环录入指纹。在loop程序段中，输入指纹编号（1~127），将手指放在传感器上录入指纹，成功后返回“Image taken”，接着指纹图像自动生成特征，存入特征缓冲区CharBuffer1，成功后返回“Image converted”，手指离开传感器，等待2秒后，再次录入相同指纹，成功后返回“Image taken”，接着指纹图像自动生成特征，成功后返回“Image converted”，存入CharBuffer2，两次录入都成功后，自动生成该指纹的模板，自动储存模板。等待下一个指纹录入。

用到的指令函数：获取指纹getImage()，生成指纹特征image2Tz()，生成指纹模板createModel()，储存指纹模板storeModel()。其中image2Tz(区号)带参数“1”或“2”，分别存入2个缓冲区.

参考资料：

1、指纹识别_minutiae的博客-CSDN博客 https://blog.csdn.net/minutiae/category_12149402.html

2、【指纹识别】基于matlab GUI指纹打卡系统【含Matlab源码 867期】_matlab指纹识别_海神之光的博客-CSDN博客 https://blog.csdn.net/TIQCmatlab/article/details/116308915

3、指纹的特征提取和匹配研究- 附部分代码_dhmbt04664的博客-CSDN博客 https://blog.csdn.net/dhmbt04664/article/details/101647305

4、【老生谈算法】基于matlab的指纹处理和识别算法详解及程序源码——指纹识别算法_阿里matlab建模师的博客-CSDN博客 https://blog.csdn.net/m0_53407570/article/details/124617860?spm=1001.2101.3001.6650.16&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-16-124617860-blog-101647305.235%5Ev27%5Epc_relevant_default_base1&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-16-124617860-blog-101647305.235%5Ev27%5Epc_relevant_default_base1&utm_relevant_index=22

5、Fingerprint Minutiae Extraction - File Exchange - MATLAB Central https://ww2.mathworks.cn/matlabcentral/fileexchange/31926-fingerprint-minutiae-extraction?s_tid=srchtitle_extract%20fingerprint_8

6、针对二值图像的形态学运算 - MATLAB bwmorph - MathWorks 中国 https://ww2.mathworks.cn/help/images/ref/bwmorph.html?searchHighlight=bwmorph&s_tid=srchtitle_bwmorph_1

7、SEN-15338 - SparkFun | Development Boards | Evelta https://evelta.com/uart-capacitive-fingerprint-scanner-module/

8、AS608指纹模块详解_跋扈洋的博客-CSDN博客 https://blog.csdn.net/qq_44629109/article/details/108582138

9、AD-013- ADH Technology Co. Ltd. http://www.adh-tech.com.tw/?83,ad-013

10、【Arduino教學】實作01-基礎Blink_哔哩哔哩_bilibili https://www.bilibili.com/video/BV1YW411Z76E?p=4&vd_source=28b3868c0af23aa93c8a1590fa7a0ae1

11、电容式指纹识别传感器Wiki - DFRobot https://wiki.dfrobot.com.cn/_SKU_SEN0348_%E7%94%B5%E5%AE%B9%E5%BC%8F%E6%8C%87%E7%BA%B9%E8%AF%86%E5%88%AB%E4%BC%A0%E6%84%9F%E5%99%A8#target_6

12、指纹锁—AS608指纹模块_待在图书馆的毛毛虫的博客-CSDN博客 https://blog.csdn.net/wxhxiaowen/article/details/126872173

13、arduino程序封装成静态库_arduino 静态库_Jan___的博客-CSDN博客 https://blog.csdn.net/mynameisjw/article/details/121036878

14、GitHub - jefine/Arduino-Fingerprint: Using Lcd1602 ,Arduino uno and as608 https://github.com/jefine/Arduino-Fingerprint

15、中文数据手册 https://cdn-shop.adafruit.com/datasheets/DY001fingerprint.pdf

16、自己写传感器的Arduino驱动_清晨曦月的博客-CSDN博客 https://blog.csdn.net/zcsor/article/details/123459143

17、如何编写自己的Arduino库？ - lulipro - 博客园 https://www.cnblogs.com/lulipro/p/6090407.html

18、编写Arduino库文件（二） - 知乎 https://zhuanlan.zhihu.com/p/483677371

19、电容式指纹识别传感器Wiki - DFRobot https://wiki.dfrobot.com.cn/_SKU_SEN0348_%E7%94%B5%E5%AE%B9%E5%BC%8F%E6%8C%87%E7%BA%B9%E8%AF%86%E5%88%AB%E4%BC%A0%E6%84%9F%E5%99%A8#target_6

20、《C++程序设计（谭浩强）》

21、

22、

23、

24、文章来源地址https://www.toymoban.com/news/detail-416379.html

到了这里，关于指纹识别q的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！