一、数据准备
src2.BMP
src1.BMP
src.bmp
model.BMP
二、识别原理讲解（sift特征提取）
SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）是一种经典的图像特征提取算法，核心优势是不受图像尺度缩放、旋转、光照变化的影响，能稳定提取图像中的关键特征点，广泛用于图像匹配、目标检测、图像拼接等场景。以下从核心原理、OpenCV 实现步骤、关键特性三方面展开介绍，全程不涉及公式。
核心原理（4 个关键步骤）
SIFT 的本质是通过 “模拟人眼对不同尺度物体的感知”，找到图像中 “无论放大 / 缩小、旋转都不变” 的特征点，并为每个特征点生成唯一的 “特征描述符”（用于后续匹配）。整个过程可拆解为 4 步：
1. 尺度空间极值检测：找 “不受尺度影响” 的候选特征点
人眼观察物体时，近距离看细节、远距离看整体 ——SIFT 通过 “高斯模糊 + 图像缩放” 构建 “尺度空间”，模拟这种感知过程：
- 对原始图像做不同程度的高斯模糊（模糊程度逐渐增加），再对模糊后的图像做下采样（缩小尺寸），得到一系列 “不同尺度” 的图像集合（称为 “高斯金字塔”）。
- 在相邻尺度的图像间做差值（得到 “差分高斯金字塔”），然后在每个像素点的 “上下左右相邻像素 + 相邻尺度对应位置像素” 中比较，找到 “局部极值点”—— 这些点就是 “在不同尺度下都突出” 的候选特征点（比如小尺度下的角点、大尺度下的轮廓顶点）。
2. 特征点精确定位：剔除 “不稳定” 的候选点
第一步找到的候选点中，可能包含因噪声、边缘干扰产生的 “假特征点”，需要进一步筛选：
- 对每个候选极值点，分析其周围像素的灰度变化，判断该点是否是 “真正的特征点”（比如边缘上的点会被剔除，因为边缘在垂直方向的灰度变化不显著，稳定性差）。
- 最终保留 “灰度变化显著、在尺度上稳定” 的点，作为最终的 SIFT 特征点。
3. 特征点方向赋值：实现 “旋转不变性”
为了让特征点不受图像旋转影响，需要给每个特征点分配一个 “主方向”：
- 以特征点为中心，取一个小区域（比如半径 16 像素的圆），统计该区域内所有像素的 “梯度方向”（即像素灰度变化的方向，比如从暗到亮的方向）和 “梯度大小”（灰度变化的强度）。
- 用 “直方图” 统计这些梯度方向的分布，找到出现次数最多的方向（主方向），将该方向作为特征点的 “基准方向”—— 后续生成描述符时，会以这个主方向为参考，从而抵消旋转的影响。
4. 生成特征描述符：让特征 “可匹配”
每个特征点需要一个 “唯一标识”（描述符），用于和其他图像中的特征点对比匹配：
- 以特征点为中心，取一个 16×16 的像素块（按主方向对齐，避免旋转干扰），将这个块分成 4×4 的 16 个小格子（每个小格子 4×4 像素）。
- 对每个小格子，统计其中像素的梯度方向分布（用 8 个方向的直方图表示），得到 8 个数值。
- 16 个小格子共生成 16×8=128 个数值，将这 128 个数值组成一个向量，就是该特征点的 “128 维 SIFT 描述符”。
- 最后会对描述符做 “归一化” 处理（比如消除光照变化的影响：让描述符向量的长度为 1），确保其在不同光照下仍能稳定匹配
三、对比检测指纹（简单）
这里我们需要用到（src1.BMP，src2.BMP，model.BMP）三张图片，在（src1.BMP，src2.BMP）找出和model.BMP匹配的图片
代码示例：
1. 导入依赖库
import cv2
导入 OpenCV 库，它提供了强大的计算机视觉处理功能，包括 SIFT 特征提取和 FLANN 匹配器。
2. 核心认证函数 verification
该函数接收三个参数：
src：待验证的源图像model：作为标准的模型图像threshold：判断认证通过的匹配点数量阈值，默认值为 500
函数执行流程：
（1）初始化 SIFT 特征提取器
sift = cv2.SIFT_create()
SIFT（尺度不变特征变换）是一种对尺度、旋转、光照变化都具有稳健性的特征提取算法，非常适合用于图像匹配。
（2）提取图像特征点和描述符
kp1, des1 = sift.detectAndCompute(src, None)
kp2, des2 = sift.detectAndCompute(model, None)
kp1/kp2：分别是源图像和模型图像的特征点（KeyPoint）集合des1/des2：分别是对应特征点的描述符（Descriptor），是特征点的数字表示
（3）特征点检查
if des1 is None or des2 is None:
return "认证失败" # 无特征点
如果任何一幅图像无法提取到特征点，直接返回认证失败。
（4）FLANN 特征匹配
flann = cv2.FlannBasedMatcher()
matches = flann.knnMatch(des1, des2, k=2)
- 使用 FLANN（快速最近邻搜索库）匹配器进行特征匹配，比暴力匹配更高效
knnMatch方法返回每个特征点的前 k 个最近邻匹配（这里 k=2）
（5）筛选优质匹配
good_matches = [m for m, n in matches if m.distance < 0.8 * n.distance]
应用 Lowe's 比率测试筛选优质匹配：如果最佳匹配距离小于次佳匹配距离的 80%，则认为是一个好的匹配点，这能有效剔除误匹配。
（6）返回认证结果
return "认证通过" if len(good_matches) >= threshold else "认证失败"
如果优质匹配点数量达到或超过阈值，则认证通过，否则失败。
3. 主程序
if __name__ == "__main__":
src1 = cv2.imread("src1.BMP")
src2 = cv2.imread("src2.BMP")
model = cv2.imread("model.BMP")
读取待验证图像（src1.BMP、src2.BMP）和模型图像（model.BMP）。
if src1 is None or src2 is None or model is None:
print("❌ 图像读取失败，请检查文件路径")
检查图像是否成功读取，如果有任何图像读取失败，提示检查文件路径。
else:
print("src1验证结果：", verification(src1, model))
print("src2验证结果：", verification(src2, model))
如果所有图像都成功读取，则分别对 src1 和 src2 进行认证，并打印结果。
完整代码：
import cv2
def verification(src, model, threshold=500):
"""使用SIFT + FLANN匹配，返回认证结果"""
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 "认证失败" # 无特征点
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 "认证通过" if len(good_matches) >= threshold else "认证失败"
# ========== 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("❌ 图像读取失败，请检查文件路径")
else:
print("src1验证结果：", verification(src1, model))
print("src2验证结果：", verification(src2, model))运行结果：
四、进阶任务（多图片匹配）
现在需要对（src.bmp）在指纹库里进行匹配并绘制出匹配上的点（指纹库：database，已经上传，可以自行下载）
代码详解：
1. 导入依赖库
import os # 用于文件和目录操作
import cv2 # OpenCV库，用于图像处理和特征提取
import numpy as np # 用于数值计算和数组操作
2. 核心函数：获取匹配点
def get_good_matches(src, model):
# 读取源图像和模板图像
img1 = cv2.imread(src)
img2 = cv2.imread(model)
if img1 is None or img2 is None:
return [], [], []
# 创建SIFT特征提取器并计算特征点和描述符
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None) # kp: 关键点, 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匹配器进行特征匹配
flann = cv2.FlannBasedMatcher()
matches = flann.knnMatch(des1, des2, k=2) # k=2表示返回两个最佳匹配
# 应用Lowe's比例测试筛选良好的匹配点
good = []
for m, n in matches:
# 如果最佳匹配距离小于次佳匹配的80%，则认为是好的匹配
if m.distance < 0.8 * n.distance:
good.append(m)
return kp1, kp2, good
3. 计算匹配点个数
def getNum(src, model):
_, _, good = get_good_matches(src, model)
return len(good)
这个函数简化了匹配点获取过程，只返回良好匹配点的数量，用于比较不同模板的匹配程度。
4. 获取指纹编号
def getID(src, database):
max_num = 0
best_name = "0.bmp" # 默认值，防止未匹配时报错
# 遍历数据库中的所有文件
for file in os.listdir(database):
model = os.path.join(database, file)
num = getNum(src, model)
print(f"文件名：{file}，匹配点个数：{num}")
# 记录匹配点最多的文件
if num > max_num:
max_num = num
best_name = file
# 如果匹配点数量大于等于100，则认为匹配有效
ID = int(best_name[0]) if max_num >= 100 else 9999
return ID
该函数通过比较输入图像与数据库中所有图像的匹配点数量，找到最相似的图像，并返回其对应的 ID。
5. 根据 ID 获取姓名
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"
}
return nameID.get(int(ID), "未知")
这是一个简单的 ID 与姓名映射表，根据识别出的 ID 返回对应的姓名。
6. 绘制匹配点
def drawMatchesWithCircles(src, model, show=True):
img1 = cv2.imread(src)
img2 = cv2.imread(model)
kp1, kp2, good_matches = get_good_matches(src, model)
# 在两张图像上绘制匹配点（红色实心圆）
for match in good_matches:
pt1 = tuple(map(int, kp1[match.queryIdx].pt)) # 源图像上的匹配点
pt2 = tuple(map(int, kp2[match.trainIdx].pt)) # 模板图像上的匹配点
cv2.circle(img1, pt1, 3, (0, 0, 255), -1) # -1表示填充圆
cv2.circle(img2, pt2, 3, (0, 0, 255), -1)
# 拼接两张图像以便对比显示
h1, w1 = img1.shape[:2]
h2, w2 = img2.shape[:2]
h = max(h1, h2) # 取最大高度
w = w1 + w2 # 宽度相加
combined = np.zeros((h, w, 3), dtype=np.uint8)
combined[:h1, :w1] = img1
combined[:h2, w1:w1+w2] = img2
# 显示结果
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" # 待识别的源图像
database = "database" # 模板数据库目录
# 执行识别流程
ID = getID(src, database)
name = getName(ID)
print("识别结果是：", name)
# 绘制最佳匹配的匹配点
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正在绘制 {best_model} 与 {src} 的匹配点...")
drawMatchesWithCircles(src, best_model)
else:
print("未找到有效匹配，不进行绘制。")
工作流程总结
- 读取待识别图像 (
src.bmp) 和数据库中的所有模板图像 - 对每对图像使用 SIFT 算法提取特征点并进行匹配
- 统计匹配点数量，找到匹配度最高的模板
- 根据模板的 ID 查找对应的姓名并输出
- 可视化显示最佳匹配的特征点对应关系
完整代码：
import os
import cv2
import numpy as np
############## 获取匹配点（核心函数） #####################
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
############## 计算匹配个数 #####################
def getNum(src, model):
_, _, good = get_good_matches(src, model)
return len(good)
############# 获取指纹编号 ################
def getID(src, database):
max_num = 0
best_name = "0.bmp" # 默认值，防止未匹配时报错
for file in os.listdir(database):
model = os.path.join(database, file)
num = getNum(src, model)
print(f"文件名：{file}，匹配点个数：{num}")
if num > max_num:
max_num = num
best_name = file
ID = int(best_name[0]) if max_num >= 100 else 9999
return ID
############# 获取姓名 ################
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"
}
return nameID.get(int(ID), "未知")
############## 绘制匹配点（实心小圆圈） #####################
def drawMatchesWithCircles(src, model, show=True):
img1 = cv2.imread(src)
img2 = cv2.imread(model)
kp1, kp2, good_matches = get_good_matches(src, model)
# 绘制匹配点
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)
# 拼接显示
h1, w1 = img1.shape[:2]
h2, w2 = img2.shape[:2]
h = max(h1, h2)
w = w1 + w2
combined = np.zeros((h, w, 3), dtype=np.uint8)
combined[:h1, :w1] = img1
combined[:h2, w1:w1+w2] = img2
if 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("识别结果是：", name)
# 绘制最佳匹配
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正在绘制 {best_model} 与 {src} 的匹配点...")
drawMatchesWithCircles(src, best_model)
else:
print("未找到有效匹配，不进行绘制。")详细介绍代码运行结果：
