【实战案例：基于特征匹配的指纹识别系统开发】

角点检测角点Corner是图像中在两个或多个方向上灰度值发生剧烈变化的点。这些点通常包含丰富的信息适用于特征匹配、目标跟踪、三维重建等任务。#------------------角点检测------------------------ #角点指图像中局部区域与周围区域有较大灰度变化的点或像素。 #角点指图像中局部区域与周围区域有较大灰度变化的点或像素。 # cornerHarris(img,blocksize,ksize, k[, dst[, borderType]])- dst # img:输入图像。 # blockSize:角点检测中要考虑的领域大小。 # ksize:Sobel求导中使用的窗大小。 # k: Harris角点检测方程中的自由参数,取值参数为[0.04,0.06]。 # dst:返回numpy.ndarray对象,大小和src相同,值越大,对应像素点是角的概率越高 img cv2.imread(phone.png) gray cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) dst cv2.cornerHarris(gray,4,3,0.04) #标记检测到的角点 img[dst 0.05 * dst.max()][0,0,255] # 这里通过对角点响应进行闽值处理标记出检测到的角点。 # 0.05 * dst.max() 是一个值大于这个值的像素点会被标记为红色。 cv2.imshow(img,img) cv2.waitKey(0)特征提取是指从原始数据中抽取关键信息将其转化为具有判别性的特征向量的过程。目的降低数据维度保留最相关的信息提高模型效率与泛化能力。#------------特征提取------------------ #检测图像中的关键点 #cv2.SIFT_create() #cv2.xfeatures2d.SIFT_create()#创建一个sift特征的提取对象 #sift.detect(img)在图像中查找关键点 phone cv2.imread(phone.png) phone_gray cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY) sift cv2.SIFT_create()#sift对象 kp sift.detect(phone_gray) # kp.pt:关键点的(xy) # 坐标。 # kp.size:关键点的大小(尺度) # kp.angle:关键点的方间。 # kp.response:关键点的响应值。 # kp.octave:关键点所在的金字塔层级。 #查找关键点 #drawKeypoints(image,keypoints, outImage, colorNone, flagsNone) # image:原始图片 # keypoints:从原图中获得的关键点这也是画图时所用到的数 # outputimage:输出图像可以是原始图片也可以是None # color:颜色设置通过修改(b,g,r)的值,更改画笔的颜色b蓝色g绿色r红色。 # flags:绘图功能的标识设置 绘制富有信息的关键点。 phone_sift cv2.drawKeypoints(phone,kp,None,flagscv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) cv2.imshow(phone,phone_sift) cv2.waitKey(0) # 使用sift.compute()计算关键点描述符,方便后期的特征匹配 kp,des sift.compute(phone,kp) print(np.array(kp).shape,des.shape) # 输出关键点的形状和描述待的形状。 # np.array(kp).shape表不关键点的数量和属性 # des.shape 表示描述符的数量和属性。运行结果基于 SIFT 特征匹配的图像验证程序核心用途是判断两张指纹或其他图像是否为同一目标核心流程读取待验证图像src1/src2和模板图像model→ 用SIFT提取所有图像的特征点特征描述符 → 用FLANN匹配器做K近邻匹配每个特征点找最近的2个匹配→ 通过Lowes比率测试0.8阈值筛选有效匹配 → 统计有效匹配数≥500则判定“认证通过”否则“认证失败”代码段功能cv_show(name,img)封装图像显示函数但注释了cv2.waitKey(0)是关键问题verification(src,model)核心验证函数完成特征提取、匹配、筛选、结果判定sift cv2.SIFT_create()创建 SIFT 特征提取器提取具有尺度 / 旋转不变性的特征点kp1,des1 sift.detectAndCompute(...)检测图像关键点 计算 128 维特征描述符匹配的核心依据flann cv2.FlannBasedMatcher()创建 FLANN 匹配器高效匹配特征描述符比暴力匹配快matches flann.knnMatch(des1,des2,k2)K 近邻匹配为 src 的每个特征点找 model 中最像的 2 个特征点if m.distance0.8*n.distanceLowes 比率测试过滤误匹配最佳匹配远优于次佳匹配才有效num 500自定义阈值匹配数足够多则判定为同一图像指纹认证通过主函数读取图像、调用验证函数、输出认证结果代码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源图像 kp1,des1sift.detectAndCompute(src,None) #检测关键点和计算描述符 模版图像 kp2,des2sift.detectAndCompute(model,None) #创建FLANN匹配器 flann cv2.FlannBasedMatcher() #使用K近邻匹配des1中的每个描述与des2中的最近两个描述进行匹配 matches flann.knnMatch(des1,des2,k2) #distance :匹配的特征点描述符的欧氏距离数值越小也就说明俩个特征点越相近 #queryIdx: 测试图像的特征描述的下标(第几个特征点描述符)同时也是描述符对应特征点的下标。 #也是描述符对应特征点的下标。 #进行比较筛选 ok [] for m,n in matches: #根据Lowes比率测试选择最佳匹配 if m.distance0.8*n.distance: ok.append((m,n)) #统计通过筛选的匹配数量 num len(ok) if num 500: result认证通过 else: result认证失败 return result if __name____main__: src1 cv2.imread(src1.bmp) cv_show(src1,src1) src2 cv2.imread(src2.bmp) cv_show(src2,src2) model cv2.imread(model.bmp) cv_show(model,model) result1verification(src1,model) result2verification(src2,model) print(src1验证结果为,result1) print(src2验证结果为,result2) cv2.waitKey(0) #运行结果实现一个自动化的指纹识别系统计算指纹匹配个数import os import cv2 计算两个指纹间匹配点的个数 def getNum(src,model): # 1. 读取指纹图像src待识别指纹路径model模板指纹路径 img1cv2.imread(src) img2cv2.imread(model) # 2. 创建SIFT特征提取器尺度不变特征变换抗旋转/尺度变化 siftcv2.SIFT_create() # 3. 检测关键点计算特征描述符128维向量匹配的核心依据 kp1,des1 sift.detectAndCompute(img1,None) kp2,des2 sift.detectAndCompute(img2,None) # 4. 创建FLANN匹配器高效近邻匹配适合大规模特征集 flann cv2.FlannBasedMatcher() # 5. K近邻匹配k2为每个特征点找最近的2个匹配 matches flann.knnMatch(des1,des2,k2) # 6. Lowes比率测试筛选有效匹配过滤误匹配 ok[] for m,n in matches: # 核心逻辑最佳匹配距离 0.8*次佳匹配距离判定为有效匹配 if m.distance0.8*n.distance: ok.append(m) # 7. 返回有效匹配点数量 num len(ok) return num遍历指纹库获取最优匹配 ID#获取指纹编号 def getID(src,database): max0 for file in os.listdir(database): model os.path.join(database,file) num getNum(src,model) print(文件名:,file,匹配点个数,num) if num max: max num name file ID name[0] if max200: ID 9999 return ID根据指纹编号获取对应名字# ----------------根据指纹编号获取对应名字---------------- 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 主函数 if __name____main__: src src.BMP database database ID getID(src,database) name getName(ID) print(识别结果为,name)运行结果指纹验证案例中指纹1与模板图片匹配成功了分别在两图内标出匹配成功点的坐标要求匹配结果最近的distance小于次接近distance的0.4提示cv2.circle(src, (x,y), 3, (0, 0, 255), -1)绘制实心圆代码如下import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() def verification_and_mark(src, model, threshold0.4): # -------------------------- 1. 特征提取你学的SIFT -------------------------- sift cv2.SIFT_create() # 检测关键点 计算描述符源图src1、模板图model kp1, des1 sift.detectAndCompute(src, None) kp2, des2 sift.detectAndCompute(model, None) # -------------------------- 2. FLANN匹配你学的K近邻 -------------------------- # 补充FLANN参数避免匹配报错 FLANN_INDEX_KDTREE 1 index_params dict(algorithmFLANN_INDEX_KDTREE, trees5) search_params dict(checks50) flann cv2.FlannBasedMatcher(index_params, search_params) # K2近邻匹配每个特征找最近的2个匹配 matches flann.knnMatch(des1, des2, k2) # -------------------------- 3. 按作业要求筛选匹配0.4阈值 -------------------------- good_matches [] src_points [] # 存储src1上的匹配点坐标 model_points [] # 存储model上的匹配点坐标 for m, n in matches: # 作业要求最近距离 次近距离 × 0.4 if m.distance threshold * n.distance: good_matches.append(m) # 提取匹配点的坐标kp.pt返回(x,y)浮点数转整数用于画圆 src_x, src_y kp1[m.queryIdx].pt model_x, model_y kp2[m.trainIdx].pt src_points.append((int(src_x), int(src_y))) model_points.append((int(model_x), int(model_y))) # -------------------------- 4. 标注匹配点作业要求的cv2.circle -------------------------- # 复制原图避免修改原图像 src_marked src.copy() model_marked model.copy() # 在src1上画红色实心圆 for (x, y) in src_points: cv2.circle(src_marked, (x, y), 3, (0, 0, 255), -1) # 3是圆半径-1实心 # 在model上画红色实心圆 for (x, y) in model_points: cv2.circle(model_marked, (x, y), 3, (0, 0, 255), -1) # -------------------------- 5. 结果输出 -------------------------- print(f符合0.4阈值的有效匹配点数量{len(good_matches)}) print(src1匹配点坐标前10个示例, src_points[:10]) print(model匹配点坐标前10个示例, model_points[:10]) # 显示标注后的图对应你提供的效果图 cv_show(Marked src1, src_marked) cv_show(Marked model, model_marked) # 返回匹配结果认证通过/失败可自定义阈值 return 认证通过 if len(good_matches) 20 else 认证失败 # -------------------------- 主函数直接运行 -------------------------- if __name__ __main__: # 读取你的指纹图替换为你的实际路径 src1 cv2.imread(src1.bmp) model cv2.imread(model.bmp) # 执行验证标注阈值设为作业要求的0.4 result verification_and_mark(src1, model, threshold0.4) print(src1验证结果为, result)运行结果