計算機視覺----opencv實戰----指紋識別的案例

一、數據準備

src2.BMP

src1.BMP

src.bmp

model.BMP

二、識別原理講解（sift特征提取）

SIFT（Scale-Invariant Feature Transform，尺度不變特征變換）是一種經典的圖像特征提取算法，核心優勢是不受圖像尺度縮放、旋轉、光照變化的影響，能穩定提取圖像中的關鍵特征點，廣泛用于圖像匹配、目標檢測、圖像拼接等場景。以下從核心原理、OpenCV 實現步驟、關鍵特性三方面展開介紹，全程不涉及公式。

核心原理（4 個關鍵步驟）

SIFT 的本質是通過 “模擬人眼對不同尺度物體的感知”，找到圖像中 “無論放大 / 縮小、旋轉都不變” 的特征點，并為每個特征點生成唯一的 “特征描述符”（用于后續匹配）。整個過程可拆解為 4 步：

1. 尺度空間極值檢測：找 “不受尺度影響” 的候選特征點

人眼觀察物體時，近距離看細節、遠距離看整體 ——SIFT 通過 “高斯模糊 + 圖像縮放” 構建 “尺度空間”，模擬這種感知過程：

對原始圖像做不同程度的高斯模糊（模糊程度逐漸增加），再對模糊后的圖像做下采樣（縮小尺寸），得到一系列 “不同尺度” 的圖像集合（稱為 “高斯金字塔”）。
在相鄰尺度的圖像間做差值（得到 “差分高斯金字塔”），然后在每個像素點的 “上下左右相鄰像素 + 相鄰尺度對應位置像素” 中比較，找到 “局部極值點”—— 這些點就是 “在不同尺度下都突出” 的候選特征點（比如小尺度下的角點、大尺度下的輪廓頂點）。

2. 特征點精確定位：剔除 “不穩定” 的候選點

第一步找到的候選點中，可能包含因噪聲、邊緣干擾產生的 “假特征點”，需要進一步篩選：

對每個候選極值點，分析其周圍像素的灰度變化，判斷該點是否是 “真正的特征點”（比如邊緣上的點會被剔除，因為邊緣在垂直方向的灰度變化不顯著，穩定性差）。
最終保留 “灰度變化顯著、在尺度上穩定” 的點，作為最終的 SIFT 特征點。

3. 特征點方向賦值：實現 “旋轉不變性”

為了讓特征點不受圖像旋轉影響，需要給每個特征點分配一個 “主方向”：

以特征點為中心，取一個小區域（比如半徑 16 像素的圓），統計該區域內所有像素的 “梯度方向”（即像素灰度變化的方向，比如從暗到亮的方向）和 “梯度大小”（灰度變化的強度）。
用 “直方圖” 統計這些梯度方向的分布，找到出現次數最多的方向（主方向），將該方向作為特征點的 “基準方向”—— 后續生成描述符時，會以這個主方向為參考，從而抵消旋轉的影響。

4. 生成特征描述符：讓特征 “可匹配”

每個特征點需要一個 “唯一標識”（描述符），用于和其他圖像中的特征點對比匹配：

以特征點為中心，取一個 16×16 的像素塊（按主方向對齊，避免旋轉干擾），將這個塊分成 4×4 的 16 個小格子（每個小格子 4×4 像素）。
對每個小格子，統計其中像素的梯度方向分布（用 8 個方向的直方圖表示），得到 8 個數值。
16 個小格子共生成 16×8=128 個數值，將這 128 個數值組成一個向量，就是該特征點的 “128 維 SIFT 描述符”。
最后會對描述符做 “歸一化” 處理（比如消除光照變化的影響：讓描述符向量的長度為 1），確保其在不同光照下仍能穩定匹配

三、對比檢測指紋（簡單）

這里我們需要用到（src1.BMP，src2.BMP，model.BMP）三張圖片，在（src1.BMP，src2.BMP）找出和model.BMP匹配的圖片

代碼示例：

1. 導入依賴庫

import cv2

導入 OpenCV 庫，它提供了強大的計算機視覺處理功能，包括 SIFT 特征提取和 FLANN 匹配器。

2. 核心認證函數?`verification`

該函數接收三個參數：

src：待驗證的源圖像
model：作為標準的模型圖像
threshold：判斷認證通過的匹配點數量閾值，默認值為 500

函數執行流程：

（1）初始化 SIFT 特征提取器

sift = cv2.SIFT_create()

SIFT（尺度不變特征變換）是一種對尺度、旋轉、光照變化都具有穩健性的特征提取算法，非常適合用于圖像匹配。

（2）提取圖像特征點和描述符

kp1, des1 = sift.detectAndCompute(src, None)
kp2, des2 = sift.detectAndCompute(model, None)

kp1/kp2：分別是源圖像和模型圖像的特征點（KeyPoint）集合
des1/des2：分別是對應特征點的描述符（Descriptor），是特征點的數字表示

（3）特征點檢查

if des1 is None or des2 is None:return "認證失敗"  # 無特征點

如果任何一幅圖像無法提取到特征點，直接返回認證失敗。

（4）FLANN 特征匹配

flann = cv2.FlannBasedMatcher()
matches = flann.knnMatch(des1, des2, k=2)

使用 FLANN（快速最近鄰搜索庫）匹配器進行特征匹配，比暴力匹配更高效
knnMatch?方法返回每個特征點的前 k 個最近鄰匹配（這里 k=2）

（5）篩選優質匹配

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

應用 Lowe's 比率測試篩選優質匹配：如果最佳匹配距離小于次佳匹配距離的 80%，則認為是一個好的匹配點，這能有效剔除誤匹配。

（6）返回認證結果

return "認證通過" if len(good_matches) >= threshold else "認證失敗"

如果優質匹配點數量達到或超過閾值，則認證通過，否則失敗。

3. 主程序

if __name__ == "__main__":src1 = cv2.imread("src1.BMP")src2 = cv2.imread("src2.BMP")model = cv2.imread("model.BMP")

讀取待驗證圖像（src1.BMP、src2.BMP）和模型圖像（model.BMP）。

if src1 is None or src2 is None or model is None:print("? 圖像讀取失敗，請檢查文件路徑")

檢查圖像是否成功讀取，如果有任何圖像讀取失敗，提示檢查文件路徑。

else:print("src1驗證結果：", verification(src1, model))print("src2驗證結果：", verification(src2, model))

如果所有圖像都成功讀取，則分別對 src1 和 src2 進行認證，并打印結果。

完整代碼：

import cv2def verification(src, model, threshold=500):"""使用SIFT + FLANN匹配，返回認證結果"""sift = cv2.SIFT_create()kp1, des1 = sift.detectAndCompute(src, None)kp2, des2 = sift.detectAndCompute(model, None)if des1 is None or des2 is None:return "認證失敗"  # 無特征點flann = cv2.FlannBasedMatcher()matches = flann.knnMatch(des1, des2, k=2)good_matches = [m for m, n in matches if m.distance < 0.8 * n.distance]return "認證通過" if len(good_matches) >= threshold else "認證失敗"# ========== 主程序 ==========
if __name__ == "__main__":src1 = cv2.imread("src1.BMP")src2 = cv2.imread("src2.BMP")model = cv2.imread("model.BMP")if src1 is None or src2 is None or model is None:print("? 圖像讀取失敗，請檢查文件路徑")else:print("src1驗證結果：", verification(src1, model))print("src2驗證結果：", verification(src2, model))

運行結果：

四、進階任務（多圖片匹配）

現在需要對（src.bmp）在指紋庫里進行匹配并繪制出匹配上的點（指紋庫：database，已經上傳，可以自行下載）

代碼詳解：

1. 導入依賴庫

import os          # 用于文件和目錄操作
import cv2         # OpenCV庫，用于圖像處理和特征提取
import numpy as np # 用于數值計算和數組操作

2. 核心函數：獲取匹配點

def get_good_matches(src, model):# 讀取源圖像和模板圖像img1 = cv2.imread(src)img2 = cv2.imread(model)if img1 is None or img2 is None:return [], [], []# 創建SIFT特征提取器并計算特征點和描述符sift = cv2.SIFT_create()kp1, des1 = sift.detectAndCompute(img1, None)  # kp: 關鍵點, des: 描述符kp2, des2 = sift.detectAndCompute(img2, None)if des1 is None or des2 is None:return kp1 or [], kp2 or [], []# 使用FLANN匹配器進行特征匹配flann = cv2.FlannBasedMatcher()matches = flann.knnMatch(des1, des2, k=2)  # k=2表示返回兩個最佳匹配# 應用Lowe's比例測試篩選良好的匹配點good = []for m, n in matches:# 如果最佳匹配距離小于次佳匹配的80%，則認為是好的匹配if m.distance < 0.8 * n.distance:good.append(m)return kp1, kp2, good

3. 計算匹配點個數

def getNum(src, model):_, _, good = get_good_matches(src, model)return len(good)

這個函數簡化了匹配點獲取過程，只返回良好匹配點的數量，用于比較不同模板的匹配程度。

4. 獲取指紋編號

def getID(src, database):max_num = 0best_name = "0.bmp"  # 默認值，防止未匹配時報錯# 遍歷數據庫中的所有文件for file in os.listdir(database):model = os.path.join(database, file)num = getNum(src, model)print(f"文件名：{file}，匹配點個數：{num}")# 記錄匹配點最多的文件if num > max_num:max_num = numbest_name = file# 如果匹配點數量大于等于100，則認為匹配有效ID = int(best_name[0]) if max_num >= 100 else 9999return ID

該函數通過比較輸入圖像與數據庫中所有圖像的匹配點數量，找到最相似的圖像，并返回其對應的 ID。

5. 根據 ID 獲取姓名

def getName(ID):nameID = {0: '張三', 1: '李四', 2: '王五', 3: '趙六', 4: '朱老七',5: '錢八', 6: '曹九', 7: '王二麻子', 8: 'andy', 9: 'Anna',9999: "沒找到"}return nameID.get(int(ID), "未知")

這是一個簡單的 ID 與姓名映射表，根據識別出的 ID 返回對應的姓名。

6. 繪制匹配點

def drawMatchesWithCircles(src, model, show=True):img1 = cv2.imread(src)img2 = cv2.imread(model)kp1, kp2, good_matches = get_good_matches(src, model)# 在兩張圖像上繪制匹配點（紅色實心圓）for match in good_matches:pt1 = tuple(map(int, kp1[match.queryIdx].pt))  # 源圖像上的匹配點pt2 = tuple(map(int, kp2[match.trainIdx].pt))  # 模板圖像上的匹配點cv2.circle(img1, pt1, 3, (0, 0, 255), -1)  # -1表示填充圓cv2.circle(img2, pt2, 3, (0, 0, 255), -1)# 拼接兩張圖像以便對比顯示h1, w1 = img1.shape[:2]h2, w2 = img2.shape[:2]h = max(h1, h2)  # 取最大高度w = w1 + w2      # 寬度相加combined = np.zeros((h, w, 3), dtype=np.uint8)combined[:h1, :w1] = img1combined[:h2, w1:w1+w2] = img2# 顯示結果if show:cv2.imshow("Matches with Circles", combined)cv2.waitKey(0)cv2.destroyAllWindows()return len(good_matches)

7. 主程序

if __name__ == "__main__":src = "src.bmp"       # 待識別的源圖像database = "database" # 模板數據庫目錄# 執行識別流程ID = getID(src, database)name = getName(ID)print("識別結果是：", name)# 繪制最佳匹配的匹配點if ID != 9999:# 找到最佳匹配的模板文件best_model = os.path.join(database, [f for f in os.listdir(database) if f.startswith(str(ID))][0])print(f"\n正在繪制 {best_model} 與 {src} 的匹配點...")drawMatchesWithCircles(src, best_model)else:print("未找到有效匹配，不進行繪制。")

工作流程總結

讀取待識別圖像 (src.bmp) 和數據庫中的所有模板圖像
對每對圖像使用 SIFT 算法提取特征點并進行匹配
統計匹配點數量，找到匹配度最高的模板
根據模板的 ID 查找對應的姓名并輸出
可視化顯示最佳匹配的特征點對應關系

完整代碼：

import os
import cv2
import numpy as np############## 獲取匹配點（核心函數） #####################
def get_good_matches(src, model):img1 = cv2.imread(src)img2 = cv2.imread(model)if img1 is None or img2 is None:return [], [], []sift = cv2.SIFT_create()kp1, des1 = sift.detectAndCompute(img1, None)kp2, des2 = sift.detectAndCompute(img2, None)if des1 is None or des2 is None:return kp1 or [], kp2 or [], []flann = cv2.FlannBasedMatcher()matches = flann.knnMatch(des1, des2, k=2)good = []for m, n in matches:if m.distance < 0.8 * n.distance:good.append(m)return kp1, kp2, good############## 計算匹配個數 #####################
def getNum(src, model):_, _, good = get_good_matches(src, model)return len(good)############# 獲取指紋編號 ################
def getID(src, database):max_num = 0best_name = "0.bmp"  # 默認值，防止未匹配時報錯for file in os.listdir(database):model = os.path.join(database, file)num = getNum(src, model)print(f"文件名：{file}，匹配點個數：{num}")if num > max_num:max_num = numbest_name = fileID = int(best_name[0]) if max_num >= 100 else 9999return ID############# 獲取姓名 ################
def getName(ID):nameID = {0: '張三', 1: '李四', 2: '王五', 3: '趙六', 4: '朱老七',5: '錢八', 6: '曹九', 7: '王二麻子', 8: 'andy', 9: 'Anna',9999: "沒找到"}return nameID.get(int(ID), "未知")############## 繪制匹配點（實心小圓圈） #####################
def drawMatchesWithCircles(src, model, show=True):img1 = cv2.imread(src)img2 = cv2.imread(model)kp1, kp2, good_matches = get_good_matches(src, model)# 繪制匹配點for match in good_matches:pt1 = tuple(map(int, kp1[match.queryIdx].pt))pt2 = tuple(map(int, kp2[match.trainIdx].pt))cv2.circle(img1, pt1, 3, (0, 0, 255), -1)cv2.circle(img2, pt2, 3, (0, 0, 255), -1)# 拼接顯示h1, w1 = img1.shape[:2]h2, w2 = img2.shape[:2]h = max(h1, h2)w = w1 + w2combined = np.zeros((h, w, 3), dtype=np.uint8)combined[:h1, :w1] = img1combined[:h2, w1:w1+w2] = img2if show:cv2.imshow("Matches with Circles", combined)cv2.waitKey(0)cv2.destroyAllWindows()return len(good_matches)############# 主程序 ################
if __name__ == "__main__":src = "src.bmp"database = "database"ID = getID(src, database)name = getName(ID)print("識別結果是：", name)# 繪制最佳匹配if ID != 9999:best_model = os.path.join(database, [f for f in os.listdir(database) if f.startswith(str(ID))][0])print(f"\n正在繪制 {best_model} 與 {src} 的匹配點...")drawMatchesWithCircles(src, best_model)else:print("未找到有效匹配，不進行繪制。")詳細介紹代碼