一、指纹匹配概述
指纹匹配是指通过比较两个指纹图像的特征，判断它们是否来自同一手指的过程。在实际应用中，如门禁系统、考勤系统、刑侦鉴定等领域，指纹匹配技术发挥着重要作用。OpenCV 作为强大的计算机视觉库，为指纹匹配提供了丰富的工具和方法，一般可借助特征提取、特征匹配等步骤实现指纹匹配。
二、指纹匹配的基本原理
指纹匹配的核心目标是判断两个指纹图像是否来自同一手指。其基本原理是通过提取指纹图像的特征，然后比较这些特征之间的相似度。指纹的特征主要包括细节点（如断点、分叉点等）和纹理信息。在匹配过程中，首先需要对指纹图像进行预处理，以提高特征提取的准确性；然后提取指纹的特征点和描述符；最后通过比较描述符之间的距离来判断指纹是否匹配。
三、代码实现
1.导入库与定义显示函数
python
import cv2
def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(0)导入库：import cv2 导入了 OpenCV 库，它是一个强大的计算机视觉库，提供了众多图像处理和计算机视觉相关的功能。
定义显示函数：cv_show 函数用于显示图像，它接受两个参数，name 是显示窗口的名称，img 是要显示的图像。cv2.imshow 用于在指定名称的窗口中显示图像，cv2.waitKey(0) 表示无限等待用户按下任意键，这样可以让图像窗口一直显示，直到用户有操作。
2.定义 verification 函数（特征提取部分）
python
def verification(src, model):
# 创建SIFT特征提取器
sift = cv2.SIFT_create()
# 检测关键点和计算描述符（特征向量）的原图像
kp1, des1 = sift.detectAndCompute(src, None) # 第二个参数是掩膜
# 检测关键点和计算描述符 模板图像
kp2, des2 = sift.detectAndCompute(model, None)创建 SIFT 特征提取器：cv2.SIFT_create() 创建了一个 SIFT（尺度不变特征变换）特征提取器对象。SIFT 算法可以在图像中检测出关键点，并计算这些关键点的描述符，这些描述符对图像的尺度、旋转和光照变化具有较好的不变性。
检测关键点和计算描述符：sift.detectAndCompute 函数用于在图像中检测关键点并计算其描述符。src 是原图像，model 是模板图像，None 表示不使用掩膜。函数返回两个值，kp 是检测到的关键点列表，des 是对应的描述符矩阵。
3.定义 verification 函数（特征匹配与筛选部分）
python
# 创建Flann匹配器
flann = cv2.FlannBasedMatcher()
# 使用K近邻匹配（des1中的每个描述符周围距离它最近的des2的点，K值就是设置点的个数
matches = flann.knnMatch(des1, des2, k=2)
# 进行比较筛选
ok = []
for m, n in matches:
if m.distance < 0.8 * n.distance:
ok.append(m)创建 Flann 匹配器：cv2.FlannBasedMatcher() 创建了一个基于快速最近邻搜索库（FLANN）的匹配器对象。FLANN 可以快速地在高维空间中找到最近邻点，适用于大规模特征匹配。
K 近邻匹配：flann.knnMatch 函数用于进行 K 近邻匹配，k=2 表示为 des1 中的每个描述符找到 des2 中距离最近的两个描述符。返回的 matches 是一个列表，每个元素是一个包含两个 DMatch 对象的列表，分别表示最近邻和次近邻。
筛选匹配结果：通过比较最近邻和次近邻的距离，如果最近邻的距离小于次近邻距离的 0.8 倍，则认为这个匹配是可靠的，将其添加到 ok 列表中。
4.定义 verification 函数（提取匹配点坐标与判断结果部分）
python
num = len(ok)
query_idx = []
train_idx = []
for match in ok[:num]:
query_idx.append(match.queryIdx)
train_idx.append(match.trainIdx)
pt1_1 = []
pt1_2 = []
pt2_1 = []
pt2_2 = []
for m in query_idx:
pt1_1.append(int(kp1[m].pt[0]))
pt1_2.append(int(kp1[m].pt[1]))
for n in train_idx:
pt2_1.append(int(kp2[n].pt[0]))
pt2_2.append(int(kp2[n].pt[1]))
if num >= 500:
result = '认证通过'
else:
result = '认证失败'
return result, pt1_1, pt1_2, pt2_1, pt2_2提取匹配点索引：query_idx 和 train_idx 分别存储了原图像和模板图像中匹配点的索引。
提取匹配点坐标：根据匹配点的索引，从关键点列表中提取出匹配点的坐标，并分别存储在 pt1_1、pt1_2、pt2_1 和 pt2_2 中。
判断认证结果：如果可靠匹配点的数量 num 大于等于 500，则认为认证通过，否则认证失败。
返回结果：函数返回认证结果和匹配点的坐标。
5.主程序（读取图像与验证部分）
python
if __name__ == '__main__':
src1 = cv2.imread('zw1.bmp')
cv_show('zw1', src1)
src2 = cv2.imread('zw2.bmp')
cv_show('zw2', src2)
model = cv2.imread('zwmatch.bmp')
cv_show('model', model)
mm = verification(src1, model)
result1 = verification(src1, model)[0]
result2 = verification(src2, model)[0]
pt1_1 = mm[1]
pt1_2 = mm[2]
pt2_1 = mm[3]
pt2_2 = mm[4]读取图像：使用 cv2.imread 函数读取三张图像，分别是 zw1.bmp、zw2.bmp 和 zwmatch.bmp，并使用 cv_show 函数显示这些图像。
进行验证：调用 verification 函数对 src1 和 src2 分别与 model 进行验证，得到认证结果 result1 和 result2，并提取出 src1 与 model 匹配点的坐标。
6.主程序（绘制匹配点与连线部分）
python
for x1, y1 in zip(pt1_1, pt1_2):
cv2.circle(src1, (x1, y1), 3, (0, 0, 255), -1)
for m1, n1 in zip(pt2_1, pt2_2):
cv2.circle(model, (m1, n1), 3, (0, 0, 255), -1)
# 绘制连线
h1, w1 = src1.shape[:2]
h2, w2 = model.shape[:2]
vis = cv2.hconcat([src1, model])
for i in range(len(pt1_1)):
pt1 = (pt1_1[i], pt1_2[i])
pt2 = (pt2_1[i] + w1, pt2_2[i])
cv2.line(vis, pt1, pt2, (0, 255, 0), 1)
cv_show('src1_w', src1)
cv_show('model_w', model)
cv_show('matched', vis)
print('src1验证结果为：', result1)
print('src2验证结果为：', result2)绘制匹配点：使用 cv2.circle 函数在 src1 和 model 图像上绘制匹配点，颜色为红色。
绘制连线：将 src1 和 model 图像水平拼接成 vis 图像，然后使用 cv2.line 函数在 vis 图像上绘制匹配点之间的连线，颜色为绿色。
显示结果：使用 cv_show 函数显示绘制了匹配点和连线的图像，并打印出 src1 和 src2 的验证结果。
完整代码：
python
import cv2
def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(0)
def verification(src, model):
# 创建SIFT特征提取器
sift = cv2.SIFT_create()
# 检测关键点和计算描述符（特征向量）的原图像
kp1, des1 = sift.detectAndCompute(src, None) # 第二个参数是掩膜
# 检测关键点和计算描述符 模板图像
kp2, des2 = sift.detectAndCompute(model, None)
# 创建Flann匹配器
flann = cv2.FlannBasedMatcher()
# 使用K近邻匹配（des1中的每个描述符周围距离它最近的des2的点，K值就是设置点的个数
matches = flann.knnMatch(des1, des2, k=2)
# match的参数：
# distance:使用欧式距离计算距离
# queryIdx：
# trainIdx:
# 进行比较筛选
ok = []
for m, n in matches:
if m.distance < 0.8 * n.distance:
ok.append(m)
num = len(ok)
query_idx = []
train_idx = []
for match in ok[:num]:
query_idx.append(match.queryIdx)
train_idx.append(match.trainIdx)
pt1_1 = []
pt1_2 = []
pt2_1 = []
pt2_2 = []
for m in query_idx:
pt1_1.append(int(kp1[m].pt[0]))
pt1_2.append(int(kp1[m].pt[1]))
for n in train_idx:
pt2_1.append(int(kp2[n].pt[0]))
pt2_2.append(int(kp2[n].pt[1]))
if num >= 500:
result = '认证通过'
else:
result = '认证失败'
return result, pt1_1, pt1_2, pt2_1, pt2_2
if __name__ == '__main__':
src1 = cv2.imread('zw1.bmp')
cv_show('zw1', src1)
src2 = cv2.imread('zw2.bmp')
cv_show('zw2', src2)
model = cv2.imread('zwmatch.bmp')
cv_show('model', model)
mm = verification(src1, model)
result1 = verification(src1, model)[0]
result2 = verification(src2, model)[0]
pt1_1 = mm[1]
pt1_2 = mm[2]
pt2_1 = mm[3]
pt2_2 = mm[4]
for x1, y1 in zip(pt1_1, pt1_2):
cv2.circle(src1, (x1, y1), 3, (0, 0, 255), -1)
for m1, n1 in zip(pt2_1, pt2_2):
cv2.circle(model, (m1, n1), 3, (0, 0, 255), -1)
# 绘制连线
h1, w1 = src1.shape[:2]
h2, w2 = model.shape[:2]
vis = cv2.hconcat([src1, model])
for i in range(len(pt1_1)):
pt1 = (pt1_1[i], pt1_2[i])
pt2 = (pt2_1[i] + w1, pt2_2[i])
cv2.line(vis, pt1, pt2, (0, 255, 0), 1)
cv_show('src1_w', src1)
cv_show('model_w', model)
cv_show('matched', vis)
print('src1验证结果为：', result1)
print('src2验证结果为：', result2)运行结果：
