基于OpenCV的SIFT特征匹配指纹识别

最新推荐文章于 2025-05-18 13:20:48 发布

知舟不叙

最新推荐文章于 2025-05-18 13:20:48 发布

阅读量1.1k

点赞数 47

文章标签： opencv 人工智能计算机视觉指纹识别

本文链接：https://blog.csdn.net/zdx2585503940/article/details/148017945

版权

文章目录

引言

指纹识别是生物特征识别技术中最常用的方法之一。本文将介绍如何使用Python和OpenCV实现一个简单的指纹识别系统，该系统基于SIFT（尺度不变特征变换）算法进行特征提取和匹配。

一、概述

本指纹识别系统主要包含三个核心功能：

特征提取：使用SIFT算法提取指纹图像的关键点和特征描述符
特征匹配：使用FLANN（快速近似最近邻）匹配器进行特征点匹配
身份识别：通过匹配点数量判断指纹身份

二、关键代码解析

1. SIFT特征提取与匹配

def getNum(src, model):
    # 读取图像
    img1 = cv2.imread(src)
    img2 = cv2.imread(model)
    
    # 创建SIFT对象并检测关键点和描述符
    sift = cv2.SIFT_create()
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
    
    # 使用FLANN匹配器
    flann = cv2.FlannBasedMatcher()
    matches = flann.knnMatch(des1, des2, k=2)
    
    # 应用Lowe's比率测试筛选优质匹配
    ok = []
    for m, n in matches:
        if m.distance < 0.8 * n.distance:
            ok.append(m)
    
    return len(ok)

这段代码定义了一个 getNum() 函数，用于计算两张图片（指纹图像）之间的特征匹配点数量。它使用了 SIFT（尺度不变特征变换）算法 和 FLANN（快速近似最近邻）匹配器 来比较两张图片的相似度。以下是详细解释：

函数功能
getNum(src, model) 计算 src（待查询图像）和 model（数据库中的参考图像）之间的 匹配特征点数量，用于衡量两张图片的相似度。

代码解析

读取图像

img1 = cv2.imread(src)  # 读取待查询图像
img2 = cv2.imread(model)  # 读取数据库中的参考图像

使用 OpenCV 的 imread() 加载两张图片。

提取 SIFT 特征

sift = cv2.SIFT_create()  # 创建 SIFT 特征检测器
kp1, des1 = sift.detectAndCompute(img1, None)  # 检测关键点并计算描述符（img1）
kp2, des2 = sift.detectAndCompute(img2, None)  # 检测关键点并计算描述符（img2）

SIFT（Scale-Invariant Feature Transform） 是一种局部特征检测算法，可以提取图像中的关键点（kp1, kp2）和它们的描述符（des1, des2）。
描述符（des1, des2）是用于匹配的关键点特征向量。

FLANN 匹配器（近似最近邻搜索）
```
flann = cv2.FlannBasedMatcher()  # 创建 FLANN 匹配器
matches = flann.knnMatch(des1, des2, k=2)  # 对描述符进行 KNN 匹配（k=2）
```
- FLANN（Fast Library for Approximate Nearest Neighbors） 是一种高效的近似最近邻搜索算法，用于快速匹配特征点。
- k=2 表示对每个查询点，返回 2 个最近邻匹配点（用于后续筛选）。
筛选优质匹配（Lowe’s Ratio Test）
```
ok = []  # 存储优质匹配点
for m, n in matches:
    if m.distance < 0.8 * n.distance:  # 如果最佳匹配的距离远小于次佳匹配
        ok.append(m)  # 则认为是可靠匹配
```
- Lowe’s Ratio Test 用于剔除错误匹配：
  - m 是最佳匹配，n 是次佳匹配。
  - 如果 m.distance < 0.8 * n.distance，说明 m 是一个可靠的匹配点。
- 最终 ok 列表存储了所有优质匹配点。
返回匹配数量
```
num = len(ok)  # 计算优质匹配点的数量
return num
```
- 返回 src 和 model 两张图片之间的 可靠匹配点数量。

总结

输入：src（待查询图像路径）、model（参考图像路径）。
输出：两张图片之间的 优质匹配点数量（数值越大，相似度越高）。
用途：通常用于指纹识别、图像检索等任务，判断两张图片的相似程度。

2. 指纹身份识别

def getID(src, database):
    max = 0
    for file in os.listdir(database):
        model = os.path.join(database, file)
        num = getNum(src, model)
        print("文件名：", file, "匹配点个数：", num)
        if num > max:
            max = num
            name = file
    ID = name[0]
    if max < 100:  # 匹配点过少，认为是未知指纹
        ID = 9999
    return ID

这段代码是一个用于从数据库中识别最匹配文件的函数。我来逐步解释它的功能：

函数接收两个参数：
- src：要匹配的源文件（可能是待识别的指纹图像）
- database：数据库目录路径，包含多个比对样本文件
函数工作流程：
- 初始化max变量为0，用于记录最高匹配分数
- 遍历数据库目录中的所有文件
- 对每个文件，调用getNum()函数计算它与源文件src的匹配点数（这个函数应该在别处定义）
- 打印当前文件名和它的匹配点数
- 如果当前文件的匹配点数高于之前记录的最高值，就更新最高值并记录文件名
- 最终从最高匹配的文件名中提取第一个字符作为ID
- 如果最高匹配点数小于100（阈值），则认为没有足够匹配，返回特殊ID 9999
返回值：
- 返回识别出的ID（文件名首字符）或9999（表示无法识别）

匹配逻辑：

遍历指纹数据库中的所有样本
计算待识别指纹与每个样本的匹配点数量
选择匹配点最多的样本作为识别结果
如果最大匹配点数小于100，则认为不在数据库中

3. 姓名映射

def getName(ID):
    nameID = {0:'张三',1:'李四',2:'王五',3:'赵六',4:'朱七',5:'钱八',
              6:'曹九',7:'王二麻子',8:'吴迪',9:'李教官',9999:"没找到"}
    return nameID.get(int(ID))

三、使用示例

if __name__ == "__main__":
    src = "test.bmp"  # 待识别指纹
    database = "database\\database"  # 指纹数据库路径
    ID = getID(src, database)  # 获取指纹ID
    name = getName(ID)  # 根据ID获取姓名
    print("识别结果为：", name)

四、技术分析

SIFT算法优势：
- 尺度不变性：对图像缩放具有鲁棒性
- 旋转不变性：不受图像旋转影响
- 光照不变性：对光照变化不敏感
FLANN匹配器：
- 相比暴力匹配(BFMatcher)，速度更快
- 适合大规模特征匹配
Lowe’s比率测试：
- 通过比较最近邻和次近邻的距离比值过滤误匹配
- 提高匹配准确率

五、完整代码

import os
import cv2


def getNum(src,model):
    img1 = cv2.imread(src)
    img2 = cv2.imread(model)
    sift = cv2.SIFT_create()
    kp1,des1 = sift.detectAndCompute(img1,None)
    kp2,des2 = sift.detectAndCompute(img2,None)
    flann = cv2.FlannBasedMatcher()
    matches = flann.knnMatch(des1,des2,k=2)
    ok = []
    for m,n in matches:
        if m.distance < 0.8 * n.distance:
            ok.append(m)
    num = len(ok)
    return num

"""========================获取指纹编号=============================="""
def getID(src,database):
    max = 0
    for file in os.listdir(database):
        model = os.path.join(database,file)
        num = getNum(src,model)
        print("文件名：",file,"匹配点个数：",num)
        if num > max:
            max = num
            name = file
    ID = name[0]
    if max < 100:  #src图片不一定是库里面人的指纹
        ID = 9999
    return ID
"""=========================根据指纹编号，获取对应姓名================="""
def getName(ID):
    nameID = {0:'张三',1:'李四',2:'王五',3:'赵六',4:'朱七',5:'钱八',
              6:'曹九',7:'王二麻子',8:'吴迪',9:'李教官',9999:"没找到"}
    name = nameID.get(int(ID))
    return name
"""==========================主函数================================"""
if __name__ == "__main__":
    src = "test.bmp"
    database = "database\\database"
    ID = getID(src,database)
    name = getName(ID)
    print("识别结果为：",name)