SIFT特征匹配实战：KNN算法实现指纹认证

这个利用了前面学到的SIFT特征检测来实现的，然后这里主要就是引入了一个新的匹配器。这里

匹配是用KNN算法进行匹配的。下面来看下细节。

介绍函数

由于要频繁展示，所以这里定义了一个函数。

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)

导入图片

if __name__ == "__main__":
    # 读取图像
    src1 = cv2.imread("zhiwen3.bmp")
    src2 = cv2.imread("zhiwen2.bmp")
    model = cv2.imread("zhiwen1.bmp")

    # 检查图像是否成功加载
    if src1 is None or src2 is None or model is None:
        print("错误: 无法加载图像文件")
    else:
        # 显示图像（需要指定窗口名称）
        cv_show('src1', src1)
        cv_show('src2', src2)
        cv_show('model', model)

        # 进行认证验证
        result1 = verification(src1, model)
        result2 = verification(src2, model)

        print("src1验证结果为:", result1)
        print("src2验证结果为:", result2)

可以看到这里导入了三张图片，一张目标图片，两张图片。然后打印出结果

匹配函数

def verification(src, model):

创建SIFT特征提取器

sift = cv2.SIFT_create()

这里创建了一个SIFT特征提取器，前面一篇文章讲过的。

检测关键点和计算描述符

kp1, des1 = sift.detectAndCompute(src, None) # 源图像 第二个参数 掩膜

kp2, des2 = sift.detectAndCompute(model, None) # 模板图像

然后这里返回了重要信息kp和des

kp

• 位置信息 (pt)：关键点在图像中的坐标位置 (x, y)(重要，后面要用来标注出匹配点)
• 尺度信息 (size)：关键点被检测到的尺度级别
• 方向信息 (angle)：关键点的主方向，用于实现旋转不变性
• 响应强度 (response)：表示该特征点的显著程度

des

描述符的特点​：

• 通常是高维向量（如SIFT描述符是128维）
• 描述了关键点周围区域的视觉外观
• 对光照变化、旋转、尺度变化具有一定的不变性
• 相似的图像区域会产生相似的描述符向量

检查是否有足够的特征点

if des1 is None or des2 is None or len(des1) < 2 or len(des2) < 2:

return "认证失败(特征点不足)"

检测看数量够不够匹配了，有时候特征太少，匹配不成功出现异常。

创建FLANN匹配器

flann = cv2.FlannBasedMatcher()

使用K近邻匹配

matches = flann.knnMatch(des1, des2, k=2)

建立了一个FLANN匹配器，用于直接传入两个的描述符的特点，然后就可以匹配了

应用Lowe's比率测试筛选优质匹配

good_matches = \[\]

for m, n in matches:

if m.distance < 0.7 * n.distance: # 通常使用0.7-0.8的比率

good_matches.append(m)

这里我们前面参数k=2,是检测我们这个点对应匹配两个点，然后去计算这两个点距离我们点的欧氏距离，然后得出如果两个距离很接近就说明我们点匹配失败。

统计优质匹配数量

num = len(good_matches)

得到匹配点的个数，这里也可以看作匹配度

可视化匹配结果（可选）

img_match = cv2.drawMatches(src, kp1, model, kp2, good_matches, None,

flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

cv_show('匹配结果', img_match)

这里是可视化结果的一个方法。

根据匹配数量判断认证结果

if num >= 500: # 阈值可根据实际情况调整

result = "认证通过"

else:

result = "认证失败"

return f"{result} (匹配点: {num})"

总体代码

import cv2
import numpy as np  # 需要添加此导入


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
    kp1, des1 = sift.detectAndCompute(src, None)  # 源图像      第二个参数 掩膜
    kp2, des2 = sift.detectAndCompute(model, None)  # 模板图像

    # 检查是否有足够的特征点
    if des1 is None or des2 is None or len(des1) < 2 or len(des2) < 2:
        return "认证失败(特征点不足)"


    # 创建FLANN匹配器
    flann = cv2.FlannBasedMatcher()
    # 使用K近邻匹配
    matches = flann.knnMatch(des1, des2, k=2)

    # 应用Lowe's比率测试筛选优质匹配
    good_matches = []
    for m, n in matches:
        if m.distance < 0.7 * n.distance:  # 通常使用0.7-0.8的比率
            good_matches.append(m)

    # 统计优质匹配数量
    num = len(good_matches)

    # 可视化匹配结果（可选）
    img_match = cv2.drawMatches(src, kp1, model, kp2, good_matches, None,
                                flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
    cv_show('匹配结果', img_match)

    # 根据匹配数量判断认证结果
    if num >= 500:  # 阈值可根据实际情况调整
        result = "认证通过"
    else:
        result = "认证失败"

    return f"{result} (匹配点: {num})"


if __name__ == "__main__":
    # 读取图像
    src1 = cv2.imread("zhiwen3.bmp")
    src2 = cv2.imread("zhiwen2.bmp")
    model = cv2.imread("zhiwen1.bmp")

    # 检查图像是否成功加载
    if src1 is None or src2 is None or model is None:
        print("错误: 无法加载图像文件")
    else:
        # 显示图像（需要指定窗口名称）
        cv_show('src1', src1)
        cv_show('src2', src2)
        cv_show('model', model)

        # 进行认证验证
        result1 = verification(src1, model)
        result2 = verification(src2, model)

        print("src1验证结果为:", result1)
        print("src2验证结果为:", result2)