【计算机视觉】OpenCV 指纹验证与识别——SIFT特征匹配实战

OpenCV 指纹验证与识别------SIFT特征匹配实战

• 一、指纹验证概述
• • [1. 什么是指纹验证](#1. 什么是指纹验证)
  • [2. 指纹验证的完整步骤](#2. 指纹验证的完整步骤)
• 二、指纹验证案例实现
• • [1. 完整代码](#1. 完整代码)
  • [2. 关键函数说明](#2. 关键函数说明)
  • • [SIFT 特征提取](#SIFT 特征提取)
    • [FLANN 匹配器](#FLANN 匹配器)
    • [KNN 匹配](#KNN 匹配)
    • [Lowe's 比率测试](#Lowe's 比率测试)
  • [3. 运行结果](#3. 运行结果)
• 三、指纹识别案例
• • [1. 指纹库展示](#1. 指纹库展示)
  • [2. 待验证指纹](#2. 待验证指纹)
  • [3. 完整代码](#3. 完整代码)
  • [4. 代码结构说明](#4. 代码结构说明)
  • [5. 运行结果](#5. 运行结果)

一、指纹验证概述

1. 什么是指纹验证

在 OpenCV 中，指纹验证 是一种利用图像处理技术识别和验证人类指纹的方法。指纹是每个人独有的生物特征，具有唯一性 和稳定性，因此被广泛应用于身份认证领域。

指纹验证主要包含两个核心阶段：

• 指纹图像提取：通过图像处理和特征提取算法，从原始图像中提取出指纹的纹路和图案信息
• 指纹图像匹配：将提取的指纹特征与预先存储的指纹模板进行比对，计算相似度并做出判断

当两幅指纹图像的相似度超过设定阈值时，系统判定它们属于同一个人；否则判定为不同人。

指纹验证广泛应用于：

• 安全系统（门禁、手机解锁）
• 身份识别（考勤、出入境）
• 刑事调查（犯罪现场指纹比对）

2. 指纹验证的完整步骤

步骤1：图像采集 ------ 通过指纹扫描仪、摄像头等设备获取指纹图像

步骤2：图像预处理 ------ 对采集到的图像进行增强、去噪、对比度调整等操作，提升图像质量

步骤3：特征提取 ------ 从预处理后的图像中提取关键特征，常用方法包括：

• 细化处理
• 方向场计算
• 特征点定位（端点、分叉点等）

步骤4：特征匹配 ------ 将提取的指纹特征与模板库中的指纹进行比对，常用算法包括：

• SIFT 特征匹配
• 欧氏距离、汉明距离等相似度度量

步骤5：相似度比较 ------ 根据匹配结果与阈值进行比较，判断是否匹配成功

步骤6：结果输出 ------ 通过图像、文本等方式输出验证结果

二、指纹验证案例实现

1. 完整代码

import cv2

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

def verification(src, model):
    """
    判断待验证指纹图与模板指纹图是否一致
    参数：
        src: 待验证指纹图像
        model: 模板指纹图像
    返回：
        result: "认证通过" 或 "认证失败"
    """
    # 创建 SIFT 特征提取器
    sift = cv2.SIFT_create()

    # 检测关键点并计算描述符
    kp1, des1 = sift.detectAndCompute(src, None)
    kp2, des2 = sift.detectAndCompute(model, None)

    # 创建 FLANN 匹配器（高效最近邻搜索）
    flann = cv2.FlannBasedMatcher()

    # K近邻匹配（K=2，为每个特征点找两个最近邻）
    matches = flann.knnMatch(des1, des2, k=2)

    # Lowe's 比率测试，筛选优质匹配点
    good_matches = []
    for m, n in matches:
        # 最近距离 < 0.8 × 次近距离，保留该匹配
        if m.distance < 0.8 * n.distance:
            good_matches.append(m)

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

    # 匹配数量 >= 500 则认为认证通过
    if num >= 500:
        result = "认证通过"
    else:
        result = "认证失败"

    return result

if __name__ == '__main__':
    # 加载待验证指纹图像
    src1 = cv2.imread("src1.BMP")
    cv_show('src1', src1)
    src2 = cv2.imread("src2.BMP")
    cv_show('src2', src2)

    # 加载模板指纹图像
    model = cv2.imread("model.BMP")
    cv_show('model', model)

    # 分别验证两张指纹
    result1 = verification(src1, model)
    result2 = verification(src2, model)

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

2. 关键函数说明

SIFT 特征提取

方法	说明
cv2.SIFT_create()	创建 SIFT 特征提取器
sift.detectAndCompute(img, mask)	检测关键点并计算描述符
kp	关键点列表，包含坐标、尺度、方向等信息
des	描述符矩阵，每行 128 维向量

FLANN 匹配器

cv2.FlannBasedMatcher() 是一种高效的大规模数据最近邻搜索算法，适合处理大量特征点匹配任务。

KNN 匹配

flann.knnMatch(des1, des2, k=2) 参数说明：

参数	说明
des1	待验证图像描述符
des2	模板图像描述符
k=2	为每个特征点查找 2 个最近邻

返回值说明：

• distance：欧氏距离，数值越小表示特征越相似

• queryIdx：待验证图像中特征点的索引

• trainIdx：模板图像中特征点的索引

Lowe's 比率测试

if m.distance < 0.8 * n.distance:
    good_matches.append(m)

0.8 为比率阈值，值越小匹配越严格，匹配数量越少但质量越高。

3. 运行结果

三、指纹识别案例

1. 指纹库展示

2. 待验证指纹

3. 完整代码

import re
import cv2
import numpy as np
import sys
import os

def getNum(src, model):
    """
    计算待验证指纹与模板指纹的匹配点数
    参数：
        src: 待验证指纹图像路径
        model: 模板指纹图像路径
    返回：
        num: 匹配成功的特征点数量
    """
    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)

    good_matches = []
    for m, n in matches:
        if m.distance < 0.8 * n.distance:
            good_matches.append(m)

    num = len(good_matches)
    return num

def getID(src, database):
    """
    在指纹库中查找匹配的指纹编号
    参数：
        src: 待验证指纹图像路径
        database: 指纹库文件夹路径
    返回：
        ID: 匹配的指纹编号
    """
    max_matches = 0
    name = None

    for file in os.listdir(database):
        model_path = os.path.join(database, file)
        num = getNum(src, model_path)
        print(f"文件名: {file}, 匹配数: {num}")

        if num > max_matches:
            max_matches = num
            name = file

    # 使用正则提取文件名中的编号
    if name:
        ID = re.match(r'^(\d+)\.', name)[1]
    else:
        ID = None

    # 匹配数低于 100，认为库中没有对应指纹
    if max_matches < 100:
        ID = 9999

    return ID

def getName(ID):
    """
    根据指纹编号获取对应姓名
    """
    name_map = {
        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: '未找到'
    }
    return name_map.get(int(ID), '未知')

if __name__ == '__main__':
    src = "src.BMP"
    database = "database"

    ID = getID(src, database)
    name = getName(ID)

    print("识别结果：", name)

4. 代码结构说明

函数	功能
getNum(src, model)	计算两张指纹图像的匹配特征点数量
getID(src, database)	遍历指纹库，找到匹配数量最多的指纹编号
getName(ID)	根据编号映射对应的姓名
主函数	加载待验证指纹，输出识别结果

5. 运行结果