简介一套基于C语言实现的指纹识别算法源码覆盖图像增强、方向图计算、二值化、细化、特征提取到特征匹配的完整流程适合学习生物特征识别、图像处理及C语言工程实现的读者。压缩包共33个文件含21个C语言源文件和12个头文件整体仅42KB按头文件、核心源码和示例程序分目录组织便于对照源码理解模块结构。已有2108人学习下载是了解指纹识别系统工作原理的高性价比实战资料。代码具体实现了指纹图像增强、纹线细化、终结点与分叉点等细节特征提取以及基于距离度量的特征匹配并附带可直接运行的演示程序。通过阅读分析既能深入掌握指纹识别的各个环节与算法实现细节也能提升图像处理与C语言编程能力尤其适合课程设计、毕业设计或科研实践参考。 做嵌入式指纹识别这些年我见过太多人拿着Matlab脚本或OpenCV示例觉得“算法已经能跑了”等真把代码塞进MCU才发现光是库裁剪、浮点优化、内存分配这几关就够呛。如果你也在搜“指纹识别算法源代码”这类内容大概率和我当初一样遇到的下一个问题就是这东西怎么用C语言落地到一块没有操作系统、只有几百KB内存的板子上这篇文章把我移植一套可用的C语言指纹识别算法源码的经验拆开来讲从整体架构到方向场计算再到细节点匹配每一步都给代码、给理由、给避坑建议。适合正在做门锁、考勤机、保险柜或者任何需要本地指纹识别的开发者参考。1. 为什么是C语言指纹识别系统的嵌入式基因先解决一个“还用问吗”的问题指纹识别为什么首选C而不是Python、Matlab或者Java。指纹识别的核心应用场景几乎没有脱离嵌入式设备智能门锁、考勤一体机、金融POS、手机指纹模组、汽车一键启动。这些设备的共同点是算力有限、存储有限、功耗敏感而且很多是在裸机环境或轻量RTOS上跑。指纹算法本身又是计算密集型的采集一张256x288的灰度图要做归一化、分割、增强、二值化、细化、特征提取最后再和库里几十个模板比对。如果整个流程跑一次要几百毫秒用户会觉得“这锁是不是坏了”。C语言在这种场景下几乎是不可替代的原因很直白零运行时依赖C编译出来的二进制直接扔到裸机上就能跑不依赖解释器、虚拟机、GC。内存可控指纹算法对实时性要求高C能精确控制在哪里malloc、在哪里用静态数组、什么时刻释放内存对于只有100KB空闲RAM的单片机来说这种掌控力是生存底线。指令效率C的循环、数组访问、位运算和指针操作编译器能生成非常紧凑的指令序列稍微优化一下就能在百兆赫兹级主控上把算法跑进几十毫秒。库裁剪自由嵌入式里没有OpenCV给你调即便有也是裁剪过的精简版很多图像处理函数得自己写。反正要自己写直接用C从零构建反而更干净。放一张对比表方便直观感受不同方案在指纹识别场景下的差异方案内存占用典型识别耗时部署难度适用场景C语言手写算法几十KB50-200ms低直接裁剪移植门锁、考勤、MCU模组Python NumPy/OpenCV数百MB以上1s以上高需全套Python环境PC原型、小批量实验Matlab脚本数百MB1s以上高需授权运行时算法验证专用指纹识别芯片/模组由模组决定通常500ms极低串口通信产品快速上市看到这里你也许会问那我直接用指纹模组不行吗当然行USB/UART指纹模组在很多消费产品里是稳妥选择。但如果你要定制算法、控制成本、集成到加密体系里或者单纯不想被模组供应商锁死手写一套C语言算法源码就是绕不开的路。整个指纹识别系统的流程可以用一句话串起来采集指纹图 → 图像增强 → 提取细节点 → 与已注册模板比对 → 输出匹配得分。后续章节我会按这个链路逐层展开。2. 整体架构从指纹图到匹配得分模块该这样拆选定了C语言下一步不是急着写函数而是把整个系统拆成层次分明的模块否则越往后越乱。我在第一版算法里犯过很典型的错误把所有图像处理都堆在一个大函数里局部变量到处都是后来想复用局部二值化那段代码只能靠复制粘贴。后来重新梳理把系统分成这几层采集接口层这一层负责从传感器拿原始图像。不同传感器光学、电容、超声波输出的图像格式、分辨率、灰度位数都不一样所以接口层要统一封装。例如我的代码里定了这样一个回调结构typedef struct { int16_t width; int16_t height; uint8_t depth; /* 8bit灰度 */ uint8_t *(*capture)(void); } fingerprint_sensor_t;上层算法只认这个结构体至于图像是从SPI、I2C还是串口读来的算法层不关心。这样换传感器时只需要重写采集函数算法主体完全不动。预处理模块主要做灰度归一化、前景背景分割、方向场估计、频率场估计、Gabor增强。这个模块直接决定了后面特征提取的质量。特征提取模块负责二值化、细化、细节点定位并对提取到的端点和分叉点做去伪筛选。这个模块的输出最终会序列化存成模板。匹配模块将当前指纹提取的细节点集合与模板中的细节点集合做比对输出一个0.0到1.0之间的相似度得分再由上层业务逻辑决定阈值。模板存储管理层模板的保存格式、增删改查、编号管理。这个模块要尽量轻因为指纹存储器通常是Flash分区频繁擦写有寿命限制代码里要预留磨损均衡的接口。根据这套分层定义两个核心数据结构指纹算法所有模块都围绕它们工作#define MAX_MINUTIA_COUNT 64 typedef struct { uint16_t x; /* 细节点x坐标 */ uint16_t y; /* 细节点y坐标 */ int16_t angle; /* 该点所在脊线方向弧度10倍定点 */ uint8_t type; /* 1脊末梢2分叉点 */ uint8_t quality; /* 质量评分0-100 */ } minutia_t; typedef struct { uint8_t width; uint8_t height; uint8_t count; minutia_t items[MAX_MINUTIA_COUNT]; } fingerprint_template_t;这两个结构体做了几件很关键的事所有字段都用定长、定宽的基本类型方便直接写进Flash或者通过通信协议传输细节点数量设上限64个防止极端情况下内存溢出角度采用10倍定点的概念在匹配时可以避免浮点运算加快速度。3. 图像增强方向场与Gabor滤波决定识别率上限先说结论指纹识别能不能认准八成功力在增强两成功力在特征提取和匹配。我最初把精力全放在匹配算法上觉得只要细节点找得够准就行。后来在脏手指、干手指和不同光照条件下测试发现一个残酷事实用原始图像直接提取细节点大量伪特征点会淹没真实特征点匹配算法再好也白搭。指纹图像增强本质是在“强化脊线、填充断裂、淡化噪声”上做文章。3.1 灰度归一化与前景分割采集到的指纹图灰度范围波动很大有时候整体偏暗有时候对比度很低。所以第一步要做灰度归一化把图像均值拉伸到一个标准值方差也拉到一个标准范围void normalize_image(uint8_t *img, int w, int h, uint8_t mean_target, uint8_t var_target) { float mean 0.0f, var 0.0f; int total w * h; for (int i 0; i total; i) { mean img[i]; } mean / total; for (int i 0; i total; i) { float diff img[i] - mean; var diff * diff; } var / total; float scale sqrtf(var_target / (var 1e-6f)); for (int i 0; i total; i) { float val mean_target scale * (img[i] - mean); if (val 0) val 0; if (val 255) val 255; img[i] (uint8_t)val; } }这套归一化思路本质上很直观把图像整体灰度分布“平移缩放”保证后面的阈值分割和方向场计算在不同采集条件下都有相近的输入。前景分割是用来区分“指纹区域”和“背景区域”的。背景区域没有脊线纹理计算方向场时会出毫无意义的随机方向会拖累增强效果。常见的办法是把图像分块计算每块像素的方差或梯度能量低于阈值的块直接标记为背景。这样后面增强、提取细节点时只需要在前景区域操作既能提速又能大幅减少伪特征点。3.2 方向场计算梯度二倍角法的细节方向场描述每个像素点局部脊线的方向是Gabor增强和细节点角度提取的基础。我用的方法是梯度二倍角法。它的基本原理是对每个像素求x方向和y方向的梯度得到的是垂直于脊线方向。但脊线方向是0到π梯度方向是-π到π直接求平均会出现方向互相抵消的问题比如方向为0°和180°的两个梯度向量会平均成指向90°这是完全错误的。所以要把梯度角翻倍让0°和180°映射成0°和360°再进行向量累加就不会抵消了最后除以2恢复真实方向。具体实现如下void compute_direction_field(uint8_t *img, float *orient, int w, int h, int block_size) { int block_w w / block_size; int block_h h / block_size; int half block_size / 2; for (int bx 0; bx block_w; bx) { for (int by 0; by block_h; by) { float sum_xx 0.0f, sum_xy 0.0f, sum_yy 0.0f; for (int dy -half; dy half; dy) { for (int dx -half; dx half; dx) { int px bx * block_size half dx; int py by * block_size half dy; if (px 0 || py 0 || px w-1 || py h-1) continue; int idx py * w px; float gx (float)img[idx 1] - (float)img[idx - 1]; float gy (float)img[idx w] - (float)img[idx - w]; sum_xx gx * gx; sum_yy gy * gy; sum_xy gx * gy; } } float phi 0.5f * atan2f(2.0f * sum_xy, sum_xx - sum_yy); float theta phi M_PI / 2.0f; /* 将块内所有像素的方向都设为该块主方向 */ for (int dy 0; dy block_size; dy) { for (int dx 0; dx block_size; dx) { int px bx * block_size dx; int py by * block_size dy; if (px w py h) { orient[py * w px] theta; } } } } } }这里有一个细节值得注意公式里到底是加π/2还是不加。梯度方向是脊线法向脊线本身方向与法向垂直所以要加90度。不过有些实现直接用法向当方向参数因为Gabor滤波里θ的正负90度等价实际影响不大。但到后期给细节点算角度时必须统一一种约定否则匹配阶段角度差会全错。方向场算完还需要做一次平滑滤波。因为分块边缘的方向会有跳变直接用跳变的方向去做Gabor增强会产生明显的块状伪影。我用的是简单的中值滤波对每个块的方向角排序取中值这样既不破坏局部主方向又能滤掉离群方向。3.3 Gabor增强给脊线“描线”Gabor滤波器在指纹增强里的地位相当于“为定向纹理量身定制的带通滤波器”。指纹脊线可以被理解成在一个方向上频率基本固定的周期条纹。普通的高斯滤波只能模糊噪声做不到选择性增强而Gabor滤波器在某个方向上具有带通特性在垂直方向具有平滑特性正好符合“沿脊线走向平滑、垂直脊线方向增强对比”的需求。核心实现框架如下void gabor_enhance(uint8_t *src, uint8_t *dst, float *orient, float freq, int w, int h) { int sigma_x 4, sigma_y 4; int radius 5; int kernel_size radius * 2 1; float *kernel (float *)malloc(kernel_size * kernel_size * sizeof(float)); if (!kernel) return; for (int y radius; y h - radius; y) { for (int x radius; x w - radius; x) { float theta orient[y * w x]; /* 在当前方向下生成Gabor核与图像局部卷积 */ float sum 0.0f; float weight_sum 0.0f; int kidx 0; for (int dy -radius; dy radius; dy) { for (int dx -radius; dx radius; dx) { float xr (float)dx * cosf(theta) (float)dy * sinf(theta); float yr (float)(-dx) * sinf(theta) (float)dy * cosf(theta); kernel[kidx] expf(-(xr*xr)/(2*sigma_x*sigma_x) - (yr*yr)/(2*sigma_y*sigma_y)) * cosf(2.0f * M_PI * freq * xr); sum kernel[kidx] * src[(y dy) * w (x dx)]; weight_sum kernel[kidx]; kidx; } } int idx y * w x; dst[idx] (weight_sum 0.001f) ? (uint8_t)(sum / weight_sum) : src[idx]; } } free(kernel); }这个函数就是增强的核心。它的思路是在每个像素身边取一个11x11的窗口按该像素方向场指出的方向做一个椭圆高斯窗同时叠加一个余弦波让滤波器对“沿脊线方向频率匹配”的部分产生最大响应。实际工程里这个函数不能这样直接裸奔尤其是cosf、sinf、expf这类浮点函数在嵌入式平台上开销很大。如果每个像素都实时算一遍一张256x288的图像在我测过的Cortex-M4上大约要跑600ms以上。优化手段很简单把Gabor核预计算成查表方向量化为16或32个档位每个档位对应一个固定核提前存成int8数组。这样增强阶段每个像素的操作退化成查表和卷积累加时间能压到原来的十分之一。我在第6章会细讲这部分优化。增强后的图像脊线断裂会被连上噪声被压制这个输出再喂给二值化和细化效果会好很多。4. 细节点提取交叉数法的实现与去伪细节细节点minutia是指纹比对的锚点。最常见的是两种脊末梢ridge ending和分叉点bifurcation。提取细节点的经典路径是二值化 → 细化 → 交叉数检测。4.1 局部自适应二值化全局阈值在光照均匀时勉强能用但指纹传感器在指尖边缘区域经常出现阴影和背景干扰。我用的是分块局部自适应阈值把图像分成16x16的块每一块内部计算均值作为该块的阈值。如果某块方差特别小说明该块要么是背景要么是模糊区域直接整体置为背景0。void adaptive_binarize(uint8_t *img, uint8_t *bin, int w, int h, int block_size) { for (int by 0; by h; by block_size) { for (int bx 0; bx w; bx block_size) { int sum 0, count 0; for (int dy 0; dy block_size; dy) { for (int dx 0; dx block_size; dx) { int px bx dx, py by dy; if (px w py h) { sum img[py * w px]; count; } } } int threshold sum / count; for (int dy 0; dy block_size; dy) { for (int dx 0; dx block_size; dx) { int px bx dx, py by dy; if (px w py h) { bin[py * w px] (img[py * w px] threshold) ? 255 : 0; } } } } } }有人会用Otsu大津法代替均值阈值理论上更好但Otsu在指纹这种前景/背景比例波动大的图像上并不总是稳定。块内均值虽然粗暴但胜在稳定、快、好调我用了很久没有出过大问题。4.2 Zhang-Suen细化算法细化的目标是把脊线从二值化的多个像素宽压缩成单像素宽这样后面检测细节点时才能精确定位脊线的拓扑端点。细化的算法比较多我工程上常用Zhang-Suen迭代删掉边界像素但保留不破坏连通性的点直到无法再删。它实现简单速度也不错。细化前记得做一次前景膨胀处理把细小的空洞补上否则细化后的脊线上会有很多小刺全是伪端点。4.3 交叉数计算与细节点判定细化结束后对每个前景像素考察它的8邻域计算交叉数Crossing Number。交叉数的定义是8邻域中相邻像素值从0变1的次数的二分之一uint8_t crossing_number(uint8_t *bin, int w, int h, int x, int y) { uint8_t p[8]; p[0] bin[(y-1)*w x]; /* 上方 */ p[1] bin[(y-1)*w x1]; /* 右上 */ p[2] bin[y*w x1]; /* 右侧 */ p[3] bin[(y1)*w x1]; /* 右下 */ p[4] bin[(y1)*w x]; /* 下方 */ p[5] bin[(y1)*w x-1]; /* 左下 */ p[6] bin[y*w x-1]; /* 左侧 */ p[7] bin[(y-1)*w x-1]; /* 左上 */ uint8_t cn 0; for (uint8_t i 0; i 8; i) { cn (p[i] ! p[(i 1) % 8]) ? 1 : 0; } return cn / 2; }根据交叉数判定交叉数拓扑含义1脊末梢端点2普通脊线点3分叉点4及以上交叉点或噪声通常忽略对检测到的每个细节点还要记录它的角度。脊末梢的角度取该点邻域内脊线方向分叉点的角度取三个分支中角度较为居中的一个分支方向。角度对后面的匹配至关重要。4.4 伪细节点清除直接检测出来的细节点噪声点多到能淹没有效点。我总结了几个几乎必须做的后处理步骤每一道都能过滤掉一批明显的假细节点边界点剔除细节点距离图像边界少于10像素的一律删除。这些点大多是因为图像截断造成的末端点没有判别力。短脊去除如果一个端点沿脊线往回走不到8个像素就遇到另一个端点或分叉点说明这段脊线基本是个碎屑两个端点都删。相邻分叉合并两个分叉点距离小于5像素时大概率是噪声造成的伪分叉保留其中质量得分较高的一个。质量评分过滤对每个细节点计算一个质量分综合该点周围的灰度方差、脊线清晰度、局部方向一致性。质量分低于阈值的删除。做完这些过滤一张指纹图一般能留下30到60个有效细节点这个数量已经足够支撑后面的匹配算法。5. 特征匹配从细节点集合到相似度得分匹配是整套算法的最后一棒。这里先说清楚匹配的目标形式输入是模板细节点集合和当前指纹细节点集合输出是一个0到1的相似度得分。指纹匹配难在两次按压之间存在平移、旋转和非线性形变。你不能指望同一个手指两次采集的细节点坐标完全一致。所以核心策略是找到一个空间变换让两个细节点集合对齐然后统计对齐后有多少细节点能相互对应。5.1 基准细节点对的搜索最直接的方法是先在两个集合中找一对“看起来匹配”的细节点作为基准。怎么判断两个细节点长得像我用的局部描述子包括细节点类型、该点所在脊线的方向角、该点与最近3个邻域细节点的距离和相对角度。如果两个细节点的类型相同、方向角差小于某个阈值、邻域结构相似就认为它们是候选基准对。这一步代码量不大但非常关键可以先把明显不匹配的组合排除掉减少后续对齐计算的次数int is_candidate_pair(minutia_t *a, minutia_t *b) { if (a-type ! b-type) return 0; float angle_diff fabsf(a-angle - b-angle); if (angle_diff 20.0f) return 0; /* 角度阈值单位是我约定的20度 */ return 1; }5.2 刚体变换对齐与匹配点统计拿到一对基准细节点后计算旋转角delta_angle和位移(dx, dy)把当前指纹的所有细节点变换到模板坐标系下typedef struct { float dx; float dy; float delta_angle; } transform_t; void apply_transform(minutia_t *src, minutia_t *dst, transform_t *t) { float cos_a cosf(t-delta_angle); float sin_a sinf(t-delta_angle); dst-x (uint16_t)(src-x * cos_a - src-y * sin_a t-dx); dst-y (uint16_t)(src-x * sin_a src-y * cos_a t-dy); dst-angle src-angle t-delta_angle; }然后对变换后的每个细节点在模板细节点集合里找有没有距离小于阈值比如8像素且角度差小于阈值比如20度的对应点。匹配点数越多说明这一对基准选得越准。把所有候选基准对都试一遍取匹配点数最多的一次作为最终的对齐结果float match_templates(fingerprint_template_t *tpl_a, fingerprint_template_t *tpl_b) { int best_match_count 0; for (int i 0; i tpl_a-count; i) { for (int j 0; j tpl_b-count; j) { if (!is_candidate_pair(tpl_a-items[i], tpl_b-items[j])) { continue; } /* 依据基准对计算变换 */ transform_t t; t.delta_angle tpl_b-items[j].angle - tpl_a-items[i].angle; /* 先旋转再计算平移 */ float cos_a cosf(t.delta_angle); float sin_a sinf(t.delta_angle); float orig_x tpl_b-items[j].x - tpl_a-items[i].x; float orig_y tpl_b-items[j].y - tpl_a-items[i].y; t.dx tpl_a-items[i].x - (tpl_b-items[j].x * cos_a - tpl_b-items[j].y * sin_a); t.dy tpl_a-items[i].y - (tpl_b-items[j].x * sin_a tpl_b-items[j].y * cos_a); int match_count 0; for (int k 0; k tpl_b-count; k) { minutia_t projected; apply_transform(tpl_b-items[k], projected, t); for (int m 0; m tpl_a-count; m) { int dist (projected.x - tpl_a-items[m].x) * (projected.x - tpl_a-items[m].x) (projected.y - tpl_a-items[m].y) * (projected.y - tpl_a-items[m].y); int angle_err abs((int)projected.angle - (int)tpl_a-items[m].angle); if (dist 64 angle_err 20) { match_count; break; } } } if (match_count best_match_count) { best_match_count match_count; } } } float score (float)best_match_count / (float)tpl_a-count; return score; }匹配得分最终取“匹配点数 / 模板细节点数”这个归一化方式有一个隐含假设模板是可靠注册的指纹当前指纹只要是同一个手指应该能覆盖模板大部分细节点。如果当前指纹本身就是残缺的得分会天然偏低这是合理的结果。阈值建议在0.40到0.50之间波动具体取决于你允许的误识率FAR和拒识率FRR均衡点。只想做1对1比对阈值可以设到0.45左右做1对N搜索建议调高到0.55防止库里几百个模板中误判成别人。5.3 匹配算法的几个改进方向上面这个基础算法跑通没问题但有两个明显瓶颈一是候选基准对太多时计算量大二是非线性形变严重时刚体变换对齐效果有限。性能瓶颈可以用“局部描述子索引”来缓解给每个细节点计算局部邻域哈希预先把模板库里的细节点按哈希分桶。匹配时只搜索属于同类哈希桶的细节点不用全库遍历。这个优化在模板数超过200条时感受尤其明显。匹配精度瓶颈可以用“弹性匹配”来解决不要求所有细节点都严格落在同一个刚体变换下而是在每个细节点周围允许一定范围的局部偏移。这样手指按压角度偏差、皮肤弹性形变带来的坐标偏移都能被容忍。代价是实现复杂度上了一个台阶但对拒识率的改善非常明显。6. 移植与优化在Cortex-M4上从280ms压到45ms的实战记录算法在PC上跑通只算走完一半真正折磨人的是嵌入式移植。这一章记录我实际踩过的坑和验证有效的优化手段。6.1 内存优化指纹图像也能分块处理早期我在PC上跑图像缓冲、方向场缓冲、Gabor核、临时变量随手就分配几百KB这在单片机上根本不可能。后来思路转变为能不存全图就不存全图。最典型的方向场计算不需要全图一次性算完。我可以分块处理比如按16x16的块逐块计算方向算完一块、用一块、丢一块。这样方向场缓冲不需要和原图同尺寸只需要一个block_size x block_size的小缓冲。Gabor增强也一样逐块生成滤波结果写回原图或直接输出给下一级处理。内存占用总结成表格数据原方案优化后灰度图像缓冲256x288 73,728 B73,728 B必须保留方向场缓冲73,728 Bfloat18,432 Bint16量化方向Gabor核11x11x32档 3,872 Bfloat11x11x32档 1,936 Bint8二值化/细化缓冲2 x 73,728 B与灰度图复用一块缓冲区这里有个技巧值得说二值化和细化的输入输出可以共用同一个缓冲。细化算法只依赖二值图当前像素和邻域所以可以在原缓冲上原地迭代不需要额外分配一整个新图。6.2 速度优化查表替换浮点计算在Cortex-M4上真正吃时间的不是像素遍历而是浮点三角函数和指数函数。我对着gprof和perf输出的热点函数看了一眼95%的时间都在Gabor增强的方向量化、cosf、sinf、expf。优化手段就是查表方向场原本要存float弧度改成uint8_t用128档表示0到180度。Gabor核按方向档位预计算每一档生成一个11x11的int8核存成静态数组。滤波时不再算坐标旋转不再算高斯权重直接查表取每个像素对应的核权重做一次累加。这步优化直接把Gabor增强从600ms降到60ms左右。6.3 匹配耗时与阈值调试的坑匹配阶段的隐性开销在于候选基准对太多。有一次我在测试库里存了500个模板每次比对要遍历500x64x64次候选板子上转圈转了快两秒完全不可用。后来加了局部描述子过滤候选数量降了一个数量级全库搜索才压回200ms左右。阈值调试是另一个坑。在实验室里用采集器采集的标准指纹阈值设0.45很舒服等到现场用户手指有脱皮、沾水、按偏拒识率会突然飙升。我的建议是量产前一定要做多设备、多手指、多环境的数据收集画出一条FAR-FRR曲线找EER点相邻的平衡区间再结合产品定位决定阈值往偏安全还是偏便捷方向调。6.4 传感器脏污和手指干湿影响这类干扰基本是物理层的算法只能缓解不能根除。传感器表面有油污时采集到的图像往往有大片高亮和边缘模糊我的处理是在前景分割阶段把高亮区域判定为背景防止它们进入增强流程。手指太干时脊线会出现大量断裂增强频率场估计会不准这时候可以在频率估计阶段识别出“局部频率很低”的块用周边正常区域的频率做插值替代。手指太湿时脊线粘连二值化会把两块脊线合并成一块容易出现伪分叉点我的处理是做一次形态学开运算把粘连区域打散。这些都是一些很土但很实用的招每一个都是血泪经验试出来的。移植到一颗180MHz的Cortex-M4上完整流程从最初的280ms优化到45ms其中Gabor增强和特征提取是大头。这45ms的成绩不算惊艳但在裸机环境下做指纹门锁已经非常够用按下手指到完成识别用户几乎无感。如果你也正在走这条路我的建议是别急着抄一个网上现成的代码库先把方向场和增强的原理吃透再谈优化。指纹识别源码不难找但能在MCU上稳稳跑起来、扛得住真实环境考验的版本才是真正值钱的东西。本文还有配套的精品资源点击获取