当前位置：首页 > news >正文

Opencv之sift特征检测和FLANN 匹配器进行指纹特征匹配

news 2026/2/10 3:42:39

sift特征检测和FLANN 匹配器进行指纹匹配

sift特征检测和FLANN 匹配器进行指纹匹配
- 1 sift特征检测
- - 1.1 概念
  - 1.2 优缺点
- 2 FLANN 匹配器
- - 2.1 概念
  - 2.2 工作原理与匹配方式
  - 2.3 FLANN 匹配器的使用步骤
  - 2.4 优缺点
- 3 函数
- - 3.1 特征检测匹配
  - 3.2 匹配符合条件点并绘制
- 3 代码测试
- - 3.1 单个指纹模板匹配
  - 3.2 多个指纹匹配

1 sift特征检测

1.1 概念

SIFT（尺度不变特征变换）是一种用于图像处理中检测和描述图像中局部结构的算法。它是由David Lowe在1999年提出的，并在2004年进行了详细阐述。SIFT特征具有尺度不变性，这意味着即使图像的尺度发生变化，SIFT特征也能保持稳定。

1.2 优缺点

SIFT特征的优点：

尺度不变性：能够适应图像的尺度变化。
旋转不变性：能够适应图像的旋转变化。
对光照、仿射变换和噪声具有一定的鲁棒性。

SIFT特征的缺点：

计算复杂度较高，实时性较差。
对于非线性变换和大幅度的视角变化，SIFT特征的性能可能会下降。

2 FLANN 匹配器

2.1 概念

FLANN 匹配器（Fast Library for Approximate Nearest Neighbors，快速近似最近邻搜索库）是 OpenCV 中用于高效匹配特征描述符的工具。它通过近似算法加速最近邻搜索，特别适合处理高维数据（如 SIFT 或 SURF 描述符）。

2.2 工作原理与匹配方式

最近邻搜索：
- 给定一个特征描述符集合，FLANN 的目标是找到与查询描述符最接近的匹配点。
- 精确的最近邻搜索（如暴力匹配）在高维数据中计算量很大，FLANN 通过近似算法加速搜索。
近似算法：
- FLANN 使用了一种基于树结构的算法（如 KD-Tree 或 Hierarchical K-Means Tree）来组织数据，从而快速缩小搜索范围。
- 通过牺牲一定的精度，换取更快的搜索速度。
匹配方式：
- FLANN 支持两种匹配方式：
- 单匹配：为每个查询描述符找到一个最近邻。
- KNN 匹配：为每个查询描述符找到 K 个最近邻。

2.3 FLANN 匹配器的使用步骤

创建 FLANN 匹配器：
使用 cv2.FlannBasedMatcher 创建 FLANN 匹配器对象。
准备特征描述符：
使用特征检测算法（如 SIFT、SURF 或 ORB）提取图像的特征描述符。
进行匹配：
使用 knnMatch 方法进行 KNN 匹配，返回每个查询描述符的 K 个最近邻。
筛选匹配点：
根据距离比例或其他条件筛选出可靠的匹配点。

2.4 优缺点

优点：

高效：比暴力匹配（Brute-Force Matcher）更快，特别适合处理高维数据。
灵活：支持多种算法和参数配置，可以根据需求调整精度和速度。

缺点：

近似匹配：结果是近似的，可能存在一定的误差。
参数调优：需要根据具体任务调整参数，否则可能影响匹配效果。

3 函数

3.1 特征检测匹配

特征关键点检测
- sift = cv2.SIFT_create()，创建 SIFT 特征检测器
- kp1, des1 = sift.detectAndCompute(src, None)，检测并计算 src 图像的关键点（kp1）和描述符（des1 ）
匹配器匹配
- flann = cv2.FlannBasedMatcher()，创建FLANN 匹配器
- matches = flann.knnMatch(des1, des2, 2) ，使用 KNN 算法进行特征（des1, des2）匹配，k=2 表示每个描述符返回两个最佳匹配

3.2 匹配符合条件点并绘制

ok = []  # 存储符合条件的匹配点
ok_n = []  # 存储对应的次佳匹配点# 遍历所有匹配点
for m, n in matches:
# 如果最佳匹配点的距离小于次佳匹配点距离的 0.65 倍，则认为是一个好的匹配if m.distance < 0.65 * n.distance:ok.append(m)  # 将好的匹配点加入 ok 列表ok_n.append(n)  # 将对应的次佳匹配点加入 ok_n 列表# 计算好的匹配点的数量
num = len(ok)# 如果好的匹配点数量大于等于 400，则认为验证通过
if num >= 400:result = '认证通过'  # 设置验证结果为通过# 遍历所有匹配点for m, n in matches:# 再次筛选好的匹配点if m.distance < 0.65 * n.distance:ok.append(m)x1 = int(kp1[m.queryIdx].pt[0])y1 = int(kp1[m.queryIdx].pt[1])x2 = int(kp2[n.queryIdx].pt[0])y2 = int(kp2[n.queryIdx].pt[1])src = cv2.circle(src, (x1, y1), 3, (0, 0, 255), -1)model = cv2.circle(model, (x2, y2), 3, (0, 0, 255), -1)

3 代码测试

3.1 单个指纹模板匹配

图片1：
在这里插入图片描述

图片2：
在这里插入图片描述

模板：
在这里插入图片描述

代码展示：

import cv2
def cv_chow(name,img):cv2.imshow(name,img)cv2.waitKey(0)
def verification(src,model):sift =cv2.SIFT_create()kp1, des1 = sift.detectAndCompute(src, None)kp2, des2 = sift.detectAndCompute(model, None)flann = cv2.FlannBasedMatcher()matches = flann.knnMatch(des1, des2, 2)ok = []ok_n = []for m, n in matches:if m.distance < 0.65 * n.distance:ok.append(m)ok_n.append(n)## m,n,在kp的ptnum = len(ok)if num>=400:result = '认证通过'for m, n in matches:if m.distance < 0.65 * n.distance:ok.append(m)x1 = int(kp1[m.queryIdx].pt[0])y1 = int(kp1[m.queryIdx].pt[1])x2 = int(kp2[n.queryIdx].pt[0])y2 = int(kp2[n.queryIdx].pt[1])src = cv2.circle(src, (x1, y1), 3, (0, 0, 255), -1)model = cv2.circle(model, (x2, y2), 3, (0, 0, 255), -1)cv_chow('src', src)cv_chow('model', model)else:result = '认证失败'return resultif __name__=='__main__':src1 = cv2.imread('zhiwen1.bmp')cv_chow('src1',src1)src2 = cv2.imread('zhiwen2.bmp')cv_chow('src2', src2)model = cv2.imread('zhiwenp.bmp')cv_chow('model_', model)result1 = verification(src1,model)result2 = verification(src2, model)print(f'src1验证结果：{result1}')print(f'src2验证结果：{result2}')

运行结果：
在这里插入图片描述

3.2 多个指纹匹配

指纹文件库：
在这里插入图片描述