Matlab指纹识别与特征点匹配完整源码实现

做指纹识别相关实验时，最容易卡住的地方往往不是公式推导，而是怎么把“图像预处理 → 特征点提取 → 匹配打分”串成一条完整可运行的流水线。网上很多资料只给一个孤立函数，跑起来连图像路径都对应不上，更别说换一张指纹图重新测试。

本文整理一套基于 Matlab 的指纹识别与特征点匹配源码，覆盖指纹图像增强、二值化、细化、细节点提取、特征点匹配与 1:N 指纹库检索，代码完整可运行，并且可以很方便地向指纹库中增加其它指纹图像进行对比。这套流程适合做图像处理课程设计、毕业设计、Matlab 大作业，也适合刚接触生物特征识别方向的同学用来理解特征点匹配算法。

1. 项目背景与核心概念

1.1 指纹识别系统是什么

指纹识别（Fingerprint Recognition）是应用最广泛的生物特征识别方式之一。指纹表面由凸起的脊线（Ridge）和凹陷的谷线（Valley）构成，这种纹理在人群中的区分度很高，且相对稳定，因此被大量用于门禁、考勤、手机解锁、刑侦鉴定等场景。

一个完整的指纹识别系统通常包含四个环节：

1. 指纹图像采集：通过光学传感器、电容传感器等方式获取指纹图像。
2. 图像预处理：对采集到的图像去噪、增强、二值化、细化，提高后续特征提取的准确性。
3. 特征提取：从指纹纹路中提取稳定的关键特征，最常见的是细节点（Minutiae）。
4. 特征匹配：将待识别指纹的特征点与指纹库中的特征点进行比对，输出相似度得分并给出识别结论。

在 Matlab 中实现上述流程并不复杂，关键是要理解每一步为什么要这样做，以及参数对最终效果的影响。

1.2 细节点与特征点匹配算法

细节点（Minutiae）是指纹脊线上的局部细节特征。最常见的两类细节点是：

• 端点（Ridge Ending）：脊线突然终止的位置。
• 分叉点（Bifurcation）：一条脊线分叉成两条脊线的位置。

除了端点和分叉点，理论上还有孤点、桥形、环点等类型，但在实际工程项目中，绝大多数匹配算法只使用端点和分叉点，因为这两类点数量足够多，且稳定性好。

特征点匹配算法的核心任务，是判断两幅指纹图像提取出的细节点集合是否来自同一根手指。直接对比整幅图像是低效且脆弱的，因为采集时手指会有平移、旋转、按压力度变化，会导致像素级内容明显不同。而细节点匹配只关心局部特征点的位置关系和相对结构，对平移旋转有更强的容忍度，匹配速度也更快。

本文采用的匹配思路是：

对两组特征点做质心平移对齐 -> 遍历第一组点，在第二组点中找距离最近的点 -> 若最近距离小于阈值，则算作一个匹配点对 -> 匹配点对数 / 较少点集数量 = 相似度得分

这种算法属于“演示级”匹配方案，适合理解整个指纹识别流程。生产级系统还需要加入方向场计算、旋转对齐、细节点角度描述子、基于图结构的匹配等增强手段，这部分在文末会展开说明。

1.3 本文技术路线

本文实现的 Matlab 指纹识别系统技术路线如下：

原始指纹图像 → 灰度化 → 自适应直方图增强 → 中值滤波去噪 → 自适应二值化 → 形态学去噪 → 细化 → 交叉数法细节点提取 → 边缘特征过滤 → 质心对齐 + 最近邻匹配 → 输出相似度排名

这套流程会封装为以下几个文件：

文件	作用
main_fingerprint.m	主脚本，负责读取指纹库、调用各模块、输出匹配结果
extractMinutiae.m	预处理 + 细节点提取封装函数
extractMinutiaeByCN.m	基于交叉数法的细节点提取核心函数
matchMinutiae.m	特征点匹配打分函数

下面先从整体设计开始讲解。

2. 系统总体流程与设计

2.1 完整处理链路

为了便于理解，可以先看整个系统的处理链路：

原始指纹图 | v 灰度化：彩色图转单通道，降低计算量 | v 增强：adapthisteq 提升脊线对比度，中值滤波降噪 | v 二值化：脊线为1，背景为0 | v 形态学去噪：bwareaopen 删除小面积噪声连通域 | v 细化：bwmorph(thin) 得到单像素宽度的骨架 | v 细节点提取：交叉数法，提取端点和分叉点 | v 边缘过滤：去掉靠近图像边界的伪特征点 | v 特征点匹配：质心对齐 + 最近邻距离匹配 | v 输出相似度得分

这个流程中，预处理和细化质量直接决定特征点提取的准确率。如果二值化参数不对，后续提取出的细节点会大量增加，匹配时误匹配率也会上升。

2.2 各环节作用说明

图像增强不是必须步骤，但在指纹图像偏暗、对比度不足时效果非常明显。Matlab 的adapthisteq是自适应直方图均衡化，它会对图像分块做对比度拉伸，比全局histeq更适合指纹这种纹理类图像。

中值滤波用来去除椒盐噪声和细小毛刺，大小通常取 3×3，太大会模糊脊线细节。

二值化是把灰度图转换成黑白图。指纹脊线常见的灰度特征是“脊线偏暗、背景偏亮”，因此代码中使用'ForegroundPolarity', 'dark'。如果你的图像是反过来的，需要改成'bright'或对结果取反。

细化是把二值纹路压缩成单像素宽度骨架。这一步非常重要，因为后续细节点提取方法依赖像素邻域结构，宽纹路会让交叉数计算失真。bwmorph(thin, Inf)会一直细化到不能细化为止。

特征点提取使用经典的交叉数法。该方法思路简单、实现容易、运行速度快，非常适合教学和快速原型验证。

3. 环境准备与工程结构

3.1 Matlab 版本与工具箱

本文示例代码基于 MATLAB R2021a 编写，使用了图像处理工具箱（Image Processing Toolbox）。R2016a 及以上版本基本都可以直接运行。

需要特别说明的是：

• imbinarize函数是 R2016a 引入的。如果你的 Matlab 版本较老，可以使用graythresh + im2bw替代。
• adapthisteq、medfilt2、bwmorph、bwareaopen都属于图像处理工具箱。
• 如果不确定当前环境是否安装了图像处理工具箱，可以在 Matlab 命令行执行ver，查看列表里是否有 Image Processing Toolbox。

3.2 项目目录结构

建议按照下面的目录结构组织代码和测试图像：

matlab_fingerprint/ │ ├─ main_fingerprint.m ├─ extractMinutiae.m ├─ extractMinutiaeByCN.m ├─ matchMinutiae.m │ ├─ images/ │ ├─ query/ │ │ └─ finger_1.bmp │ └─ db/ │ ├─ finger_1.bmp │ ├─ finger_2.bmp │ ├─ finger_3.bmp │ └─ ... └─ results/

• images/query存放待识别的查询指纹图像。
• images/db存放指纹库图像，需要增加其它指纹图像时，直接放进这个目录即可。
• results目录用于保存后续扩展时的输出图片和结果文件。

4. 核心算法与源码实现

4.1 图像预处理模块

预处理模块的主要任务是把原始指纹图像转换成干净的细化图，为细节点提取做准备。

下面是extractMinutiae.m完整代码：

% 文件路径：matlab_fingerprint/extractMinutiae.m function [minutiae, info] = extractMinutiae(img, margin) % 指纹预处理 + 细节点提取主函数 % 输入: % img - 灰度或彩色指纹图像 % margin - 边缘排除区域（像素），用于去除边界伪特征点 % 输出: % minutiae - Nx2 矩阵，每行表示一个细节点坐标 [x, y] % info - 结构体，包含预处理中间结果和细节点类型 % 1. 彩色图转灰度图 if size(img, 3) == 3 grayImg = rgb2gray(img); else grayImg = img; end % 统一转为 double，便于后续计算 if ~isa(grayImg, 'double') grayImg = im2double(grayImg); end % 2. 增强：自适应直方图均衡化，提高脊线和谷线的对比度 enhanced = adapthisteq(grayImg, 'NumTiles', [8 8], 'ClipLimit', 0.02); % 中值滤波去噪 enhanced = medfilt2(enhanced, [3 3]); % 3. 二值化：指纹脊线通常比背景暗，所以前景极性设置为 dark bw = imbinarize(enhanced, 'adaptive', 'ForegroundPolarity', 'dark'); % 如果图像中脊线是亮色，可以使用下面这行并注释掉上一行 % bw = imbinarize(enhanced, 'adaptive', 'ForegroundPolarity', 'bright'); % 使用 Otsu 全局阈值也可以，但光照不均时效果不如自适应 % th = graythresh(enhanced); % bw = imbinarize(enhanced, th); % 4. 形态学去噪：删除面积小于30像素的孤立连通域 bw = bwareaopen(bw, 30); % 5. 细化：将脊线压缩为单像素宽度的骨架 thin = bwmorph(bw, 'thin', Inf); % 6. 去除细化过程中产生的短毛刺 thin = bwmorph(thin, 'spur', 5); % 7. 基于交叉数法提取细节点 [minutiae, types] = extractMinutiaeByCN(thin, margin); % 保存中间结果，方便主脚本可视化调试 info.enhanced = enhanced; info.bw = bw; info.thin = thin; info.types = types; end

这段代码有几个地方值得详细解释：

为什么用自适应二值化？指纹采集时，手指不同位置按压力度不同，光照可能存在渐变，全局阈值很容易把局部噪点带入前景。自适应二值化会按局部邻域计算阈值，对光照不均更友好。

为什么细化用Inf？bwmorph(..., 'thin', Inf)会一直迭代到不再变化，保证脊线被处理成严格单像素宽的骨架。如果迭代次数太小，纹路可能残留多像素宽区域，影响交叉数判断。

为什么还要去毛刺？细化算法在一开始可能产生一些很短的毛刺分支，这些分支不是真实脊线，如果不处理，会被误判成分叉点或端点。spur操作可以删除这些短小分支。

4.2 细节点提取：交叉数法原理与实现

细节点提取的核心是交叉数法，也叫 Crossing Number，简称 CN。对于细化图中的某个前景像素 p，取其 3×3 邻域内的 8 个像素，按顺时针顺序记为 P1 到 P8，则交叉数计算公式为：

CN = 0.5 * ( |P2 - P1| + |P3 - P2| + ... + |P8 - P7| + |P1 - P8| )

交叉数与细节点类型的关系如下：

CN 值	含义
0	孤立点
1	端点（Ridge Ending）
2	脊线内部点
3	分叉点（Bifurcation）
4 及以上	交叉点或噪声点

CN 值表示该像素邻域内纹路方向变化的次数。端点在邻域内只有一条脊线进入，因此 CN 为 1；分叉点有三条脊线汇合，因此 CN 为 3。

下面是extractMinutiaeByCN.m完整实现：

% 文件路径：matlab_fingerprint/extractMinutiaeByCN.m function [minutiae, types] = extractMinutiaeByCN(thin, margin) % 基于交叉数(Crossing Number)的指纹细节点提取 % 输入: % thin - 细化后的二值图，前景（脊线）为1，背景为0 % margin - 边缘排除像素数 % 输出: % minutiae - Nx2 矩阵，每行 [x, y] % types - Nx1 向量，1表示端点，3表示分叉点 [H, W] = size(thin); % 边界填充0，方便在原图边缘位置计算3x3邻域 thinPad = false(H + 2, W + 2); thinPad(2:end-1, 2:end-1) = thin; minutiae = []; types = []; for y = 2:H+1 for x = 2:W+1 if ~thinPad(y, x) continue; end % 按顺时针顺序读取8邻域 P = [thinPad(y-1, x), thinPad(y-1, x+1), thinPad(y, x+1), ... thinPad(y+1, x+1), thinPad(y+1, x), thinPad(y+1, x-1), ... thinPad(y, x-1), thinPad(y-1, x-1)]; P = double(P); % 计算交叉数 diffSum = sum(abs(P([2:end 1]) - P)); CN = 0.5 * diffSum; % 还原到原图坐标：因为thinPad比thin多一圈，所以需要减1 px = x - 1; py = y - 1; % 过滤靠近图像边界的伪特征点 % 指纹图像边界处脊线会被截断，容易产生大量伪端点 if px < margin + 1 || px > W - margin || py < margin + 1 || py > H - margin continue; end if CN == 1 minutiae(end+1, :) = [px, py]; %#ok<AGROW> types(end+1, 1) = 1; % 端点 elseif CN == 3 minutiae(end+1, :) = [px, py]; %#ok<AGROW> types(end+1, 1) = 3; % 分叉点 end % CN大于3的情况通常属于噪声，这里直接忽略 end end % 如果没有任何特征点，返回空矩阵，避免调用方出错 if isempty(minutiae) minutiae = zeros(0, 2); types = zeros(0, 1); end end

这里有一个关键细节：为什么要设置边缘排除区域 margin？指纹图像的边缘部分往往不是完整纹路，而是脊线被图像边界截断产生的“伪端点”。如果不加过滤，边界点会被当成大量特征点参与匹配，严重干扰匹配结果。代码中默认将距离图像边界小于 margin 像素的点全部忽略。

另一个细节是：为什么要 pad 一圈 0？因为图像左上角像素没有完整 8 邻域，如果不处理，循环到边界时需要分支判断。填充一圈 0 后，所有原图像像素都有完整邻域，代码更简洁，也不会越界。

4.3 指纹细节点匹配

细节点提取完成后，进入匹配环节。

本文使用的匹配算法分为两步：

1. 质心平移对齐。两幅指纹图像即使来自同一根手指，采集时也可能有位置偏移。先把两组特征点各自的质心算出来，然后把第二组特征点平移到与第一组质心重合，可以减少平移带来的误匹配。
2. 最近邻贪心匹配。遍历第一组每个特征点，在第二组中寻找距离最近且尚未被占用的特征点。如果最近距离小于阈值，则记为匹配点对。最后用匹配点对数除以两组点集中较少的数量，得到相似度得分。

下面是matchMinutiae.m完整实现：

% 文件路径：matlab_fingerprint/matchMinutiae.m function [score, matchPairs] = matchMinutiae(M1, M2, distTh) % 指纹细节点匹配 % 输入: % M1, M2 - Nx2 特征点坐标矩阵 % distTh - 匹配距离阈值（像素） % 输出: % score - 相似度得分，范围 [0, 1] % matchPairs - 匹配点对索引 [i, j] n1 = size(M1, 1); n2 = size(M2, 1); % 如果任一指纹特征点数量太少，直接返回0 if n1 < 2 || n2 < 2 score = 0; matchPairs = zeros(0, 2); return; end % 质心平移对齐：把M2整体平移到与M1质心重合 c1 = mean(M1, 1); c2 = mean(M2, 1); M2_aligned = M2 - c2 + c1; % 贪心匹配：每个M2点最多被匹配一次 used = false(n2, 1); matchPairs = zeros(0, 2); for i = 1:n1 % 当前M1点到所有M2点的欧氏距离 dists = sqrt(sum((M2_aligned - M1(i, :)).^2, 2)); [minDist, idx] = min(dists); % 如果距离在阈值内，且该M2点还没被匹配，则记为匹配对 if minDist <= distTh && ~used(idx) matchPairs(end+1, :) = [i, idx]; %#ok<AGROW> used(idx) = true; end end % 得分 = 匹配点对数 / 两组点集中较少的点数 matchCount = size(matchPairs, 1); score = matchCount / min(n1, n2); end

这个匹配算法的优点是逻辑简单、易于理解，非常适合入门学习。它的局限性也很明显：

• 只考虑了平移对齐，没有处理旋转。如果同一手指按压时旋转角度较大，即使同一指纹，匹配分数也会下降。
• 没有使用细节点方向角。端点或分叉点除了坐标外，还有方向属性，加入角度信息可以大幅减少误匹配。
• 贪心匹配不一定是最优匹配。如果有两个 M1 点都想匹配同一个 M2 点，先遍历到的点会占用该 M2 点，后遍历的只能寻找其他点。更优的做法是使用匈牙利算法做全局最优匹配，但复杂度更高。

在实际工程项目中，通常会在匹配前先做旋转对齐，或者在特征描述阶段加入细节点方向角，然后使用基于柱形结构或拓扑图的方法进行匹配。

4.4 系统主脚本

主脚本负责把整个流程串起来，功能包括：

1. 读取查询指纹图像。
2. 遍历指纹库中的所有指纹图像。
3. 对每张图像提取细节点。
4. 调用匹配函数计算相似度。
5. 输出排名和可视化结果。

main_fingerprint.m完整代码如下：

% 文件路径：matlab_fingerprint/main_fingerprint.m %% ========== 指纹识别系统主脚本 ========== clc; clear; close all; %% 参数设置 queryPath = 'images/query/finger_1.bmp'; % 待识别指纹 dbFolder = 'images/db'; % 指纹库目录 margin = 20; % 去除边缘特征点的边界像素数 matchDistTh = 12; % 匹配距离阈值（像素） %% 读取查询指纹并提取细节点 if ~exist(queryPath, 'file') error('查询指纹不存在：%s', queryPath); end queryImg = imread(queryPath); [queryMinu, queryInfo] = extractMinutiae(queryImg, margin); fprintf('查询指纹细节点数量：%d\n', size(queryMinu, 1)); %% 遍历指纹库 dbFiles = dir(fullfile(dbFolder, '*.bmp')); dbFiles = [dbFiles; dir(fullfile(dbFolder, '*.png'))]; if isempty(dbFiles) error('指纹库目录为空，请将指纹图像放入 %s 目录', dbFolder); end results = struct('name', {}, 'score', {}, 'matchNum', {}, ... 'queryNum', {}, 'dbNum', {}); for k = 1:length(dbFiles) dbPath = fullfile(dbFiles(k).folder, dbFiles(k).name); % 跳过与查询图像完全相同的文件（自匹配场景） if strcmp(dbPath, queryPath) continue; end dbImg = imread(dbPath); [dbMinu, ~] = extractMinutiae(dbImg, margin); [score, matchPairs] = matchMinutiae(queryMinu, dbMinu, matchDistTh); results(end+1).name = dbFiles(k).name; %#ok<SAGROW> results(end).score = score; results(end).matchNum = size(matchPairs, 1); results(end).queryNum = size(queryMinu, 1); results(end).dbNum = size(dbMinu, 1); fprintf('匹配文件: %-20s 相似度: %.2f%% 匹配点数: %d / %d\n', ... dbFiles(k).name, score * 100, size(matchPairs, 1), ... min(size(queryMinu, 1), size(dbMinu, 1))); end %% 按相似度降序排列 scores = [results.score]; [~, order] = sort(scores, 'descend'); fprintf('\n===== 匹配结果排名 =====\n'); for k = 1:length(order) r = results(order(k)); fprintf('%d. %-20s 相似度: %.2f%% 匹配点数: %d / %d\n', ... k, r.name, r.score * 100, r.matchNum, ... min(r.queryNum, r.dbNum)); end %% 显示查询指纹预处理过程 figure('Name', '查询指纹预处理与细节点'); subplot(2, 2, 1); imshow(queryImg); title('原始图像'); subplot(2, 2, 2); imshow(queryInfo.enhanced); title('增强结果'); subplot(2, 2, 3); imshow(queryInfo.thin); title('细化结果'); subplot(2, 2, 4); imshow(queryInfo.thin); hold on; endIdx = queryInfo.types == 1; plot(queryMinu(endIdx, 1), queryMinu(endIdx, 2), 'ro', 'MarkerSize', 5); plot(queryMinu(~endIdx, 1), queryMinu(~endIdx, 2), 'go', 'MarkerSize', 5); legend({'端点', '分叉点'}, 'Location', 'best'); title('细节点提取结果'); hold off; %% 显示 Top 3 匹配结果 topN = min(3, length(order)); if topN > 0 figure('Name', '1:N 匹配结果 Top 3'); subplot(2, 2, 1); imshow(queryImg); title('查询指纹'); for k = 1:topN idx = order(k); dbImg = imread(fullfile(dbFolder, results(idx).name)); subplot(2, 2, k + 1); imshow(dbImg); title(sprintf('%s (%.1f%%)', results(idx).name, results(idx).score * 100)); end end

主脚本中需要注意一个细节：

为什么跳过与查询图像路径完全相同的文件？因为自匹配时两张图像完全相同，细节点也完全一致，相似度一定是 100%，作为比对结果没有参考价值。跳过自匹配后，排名更接近真实应用场景。

4.5 如何增加其它指纹图像

这套系统支持非常简单的指纹库扩展，操作步骤如下：

1. 找到images/db目录。
2. 将新的指纹图像保存为.bmp或.png格式，文件名不要包含中文和空格。
3. 重新运行main_fingerprint.m，脚本自动扫描目录下所有图片，并把新加入的图像纳入匹配排名。

如果希望加入其它格式，比如.jpg，可以在主脚本中继续叠加 dir 命令：

dbFiles = dir(fullfile(dbFolder, '*.bmp')); dbFiles = [dbFiles; dir(fullfile(dbFolder, '*.png'))]; dbFiles = [dbFiles; dir(fullfile(dbFolder, '*.jpg'))];

如果指纹库很大，建议不要使用imread读取所有图像后一次性计算，而是分批处理并保存特征点结果，避免内存占用过高。

5. 运行验证与结果分析

5.1 预期输出

假设指纹库中放入三张指纹图，分别与查询指纹是同一手指和非同一手指，运行后命令行会输出类似下面的结果：

查询指纹细节点数量：42 匹配文件: finger_1.bmp 相似度: 85.71% 匹配点数: 36 / 42