Opencv之sift特征检测和FLANN 匹配器进行指纹特征匹配

sift特征检测和FLANN 匹配器进行指纹匹配

[sift特征检测和FLANN 匹配器进行指纹匹配](#sift特征检测和FLANN 匹配器进行指纹匹配)
- [1 sift特征检测](#1 sift特征检测)
- - [1.1 概念](#1.1 概念)
  - [1.2 优缺点](#1.2 优缺点)
- [2 FLANN 匹配器](#2 FLANN 匹配器)
- - [2.1 概念](#2.1 概念)
  - [2.2 工作原理与匹配方式](#2.2 工作原理与匹配方式)
  - [2.3 FLANN 匹配器的使用步骤](#2.3 FLANN 匹配器的使用步骤)
  - [2.4 优缺点](#2.4 优缺点)
- [3 函数](#3 函数)
- - [3.1 特征检测匹配](#3.1 特征检测匹配)
  - [3.2 匹配符合条件点并绘制](#3.2 匹配符合条件点并绘制)
- [3 代码测试](#3 代码测试)
- - [3.1 单个指纹模板匹配](#3.1 单个指纹模板匹配)
  - [3.2 多个指纹匹配](#3.2 多个指纹匹配)

1 sift特征检测

1.1 概念

SIFT（尺度不变特征变换）是一种用于图像处理中检测和描述图像中局部结构的算法 。它是由David Lowe在1999年提出的，并在2004年进行了详细阐述。SIFT特征具有尺度不变性，这意味着即使图像的尺度发生变化，SIFT特征也能保持稳定。

1.2 优缺点

SIFT特征的优点：

尺度不变性：能够适应图像的尺度变化。
旋转不变性：能够适应图像的旋转变化。
对光照、仿射变换和噪声具有一定的鲁棒性。

SIFT特征的缺点：

计算复杂度较高，实时性较差。
对于非线性变换和大幅度的视角变化，SIFT特征的性能可能会下降。

2 FLANN 匹配器

2.1 概念

FLANN 匹配器（Fast Library for Approximate Nearest Neighbors，快速近似最近邻搜索库）是 OpenCV 中用于高效匹配特征描述符的工具 。它通过近似算法加速最近邻搜索，特别适合处理高维数据（如 SIFT 或 SURF 描述符）。

2.2 工作原理与匹配方式

最近邻搜索 ：
- 给定一个特征描述符集合，FLANN 的目标是找到与查询描述符最接近的匹配点。
- 精确的最近邻搜索（如暴力匹配）在高维数据中计算量很大，FLANN 通过近似算法加速搜索。
近似算法 ：
- FLANN 使用了一种基于树结构的算法（如 KD-Tree 或 Hierarchical K-Means Tree）来组织数据，从而快速缩小搜索范围。
- 通过牺牲一定的精度，换取更快的搜索速度。
匹配方式 ：
- FLANN 支持两种匹配方式：
- 单匹配：为每个查询描述符找到一个最近邻。
- KNN 匹配：为每个查询描述符找到 K 个最近邻。

2.3 FLANN 匹配器的使用步骤

创建 FLANN 匹配器 ：

使用 cv2.FlannBasedMatcher 创建 FLANN 匹配器对象。
准备特征描述符 ：

使用特征检测算法（如 SIFT、SURF 或 ORB）提取图像的特征描述符。
进行匹配 ：

使用 knnMatch 方法进行 KNN 匹配，返回每个查询描述符的 K 个最近邻。
筛选匹配点 ：
根据距离比例 或其他条件筛选出可靠的匹配点。

2.4 优缺点

优点：

高效：比暴力匹配（Brute-Force Matcher）更快，特别适合处理高维数据。
灵活：支持多种算法和参数配置，可以根据需求调整精度和速度。

缺点：

近似匹配：结果是近似的，可能存在一定的误差。
参数调优：需要根据具体任务调整参数，否则可能影响匹配效果。

3 函数

3.1 特征检测匹配

特征关键点检测
- sift = cv2.SIFT_create()，创建 SIFT 特征检测器
- kp1, des1 = sift.detectAndCompute(src, None)，检测并计算 src 图像的关键点（kp1）和描述符（des1 ）
匹配器匹配
- flann = cv2.FlannBasedMatcher()，创建FLANN 匹配器
- matches = flann.knnMatch(des1, des2, 2) ，使用 KNN 算法进行特征（des1, des2）匹配 ，k=2 表示每个描述符返回两个最佳匹配

3.2 匹配符合条件点并绘制

python 复制代码

ok = []  # 存储符合条件的匹配点
ok_n = []  # 存储对应的次佳匹配点

# 遍历所有匹配点
for m, n in matches:
# 如果最佳匹配点的距离小于次佳匹配点距离的 0.65 倍，则认为是一个好的匹配
	if m.distance < 0.65 * n.distance:
		ok.append(m)  # 将好的匹配点加入 ok 列表
        ok_n.append(n)  # 将对应的次佳匹配点加入 ok_n 列表

# 计算好的匹配点的数量
num = len(ok)
 # 如果好的匹配点数量大于等于 400，则认为验证通过
if num >= 400:
	result = '认证通过'  # 设置验证结果为通过
	# 遍历所有匹配点
    for m, n in matches:
     # 再次筛选好的匹配点
		if m.distance < 0.65 * n.distance:
			ok.append(m)
         	x1 = int(kp1[m.queryIdx].pt[0])
         	y1 = int(kp1[m.queryIdx].pt[1])
	        x2 = int(kp2[n.queryIdx].pt[0])
        	y2 = int(kp2[n.queryIdx].pt[1])
         	src = cv2.circle(src, (x1, y1), 3, (0, 0, 255), -1)
        	model = cv2.circle(model, (x2, y2), 3, (0, 0, 255), -1)

3 代码测试

3.1 单个指纹模板匹配

图片1：

图片2：

模板：

代码展示：

python 复制代码

import cv2
def cv_chow(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
def verification(src,model):
    sift =cv2.SIFT_create()
    kp1, des1 = sift.detectAndCompute(src, None)
    kp2, des2 = sift.detectAndCompute(model, None)
    flann = cv2.FlannBasedMatcher()
    matches = flann.knnMatch(des1, des2, 2)
    ok = []
    ok_n = []
    for m, n in matches:
        if m.distance < 0.65 * n.distance:
            ok.append(m)
            ok_n.append(n)

## m,n,在kp的pt
    num = len(ok)
    if num>=400:
        result = '认证通过'
        for m, n in matches:
            if m.distance < 0.65 * n.distance:
                ok.append(m)
                x1 = int(kp1[m.queryIdx].pt[0])
                y1 = int(kp1[m.queryIdx].pt[1])
                x2 = int(kp2[n.queryIdx].pt[0])
                y2 = int(kp2[n.queryIdx].pt[1])
                src = cv2.circle(src, (x1, y1), 3, (0, 0, 255), -1)
                model = cv2.circle(model, (x2, y2), 3, (0, 0, 255), -1)
        cv_chow('src', src)
        cv_chow('model', model)
    else:
        result = '认证失败'

    return result

if __name__=='__main__':
    src1 = cv2.imread('zhiwen1.bmp')
    cv_chow('src1',src1)
    src2 = cv2.imread('zhiwen2.bmp')
    cv_chow('src2', src2)
    model = cv2.imread('zhiwenp.bmp')
    cv_chow('model_', model)
    result1 = verification(src1,model)
    result2 = verification(src2, model)
    print(f'src1验证结果：{result1}')
    print(f'src2验证结果：{result2}')

运行结果：

3.2 多个指纹匹配

指纹文件库：

代码展示：

python 复制代码

import os

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, 2)
    ok = []
    for m, n in matches:
        if m.distance < 0.8 * n.distance:
            ok.append(m)
    num = len(ok)
    return num

def getID(src,database):
    max = 0
    for file in os.listdir(database):
        print(file)
        model = os.path.join(database,file)
        num = getNum(src,model)
        print(f'文件名：{file}，匹配点个数：{num}')
        if num>max:
            max = num
            name = file
    ID = name[0]
    if max<100:
        ID = 9999
    return ID

def getname(ID):
    nameID = {0:'张三',1:'李四',2:'王五',3:'赵六',4:'朱老七',5:'钱八',6:'曹九',7:'王二麻子',8:'andy',9:'Anna',9999:'没找到'}
    name = nameID.get(int(ID))
    return name

if __name__=='__main__':
    src = "scrpp.bmp"
    database = "database//database"
    ID = getID(src,database)
    name = getname(ID)
    print(f'识别结果：{name}')

运行结果：

Opencv之sift特征检测和FLANN 匹配器进行指纹特征匹配

sift特征检测和FLANN 匹配器进行指纹匹配

目录

1 sift特征检测

1.1 概念

1.2 优缺点

2 FLANN 匹配器

2.1 概念

2.2 工作原理与匹配方式

2.3 FLANN 匹配器的使用步骤

2.4 优缺点

3 函数

3.1 特征检测匹配

3.2 匹配符合条件点并绘制

3 代码测试

3.1 单个指纹模板匹配

3.2 多个指纹匹配