指纹图像的匹配就是对两个输入指纹的特征向量组判断是否属于同一指纹。指纹图像匹配算法很多，包括基于图像的匹配、脊模式匹配、点模式匹配以及基于图形的匹配。
点模式研究者提出了许多关于点模式匹配算法。Ranade和Rosenfeld提出了点模式匹配的松弛算法，该方法计算匹配变换的可靠度并将可靠度迭代计算，因此计算速度较慢。点模式匹配也可以从能量最小的角度来描述实现。Starink和Backer使用了模拟退火算法，但计算代价也比较大。Ansari等则采用了遗传算法，漆远等也提出了一种改进的点模式匹配，并利用遗传算法及结合利用指纹图像的结构信息的初匹配算法，提高了匹配的速度，并能容忍一定的噪声，识别残缺指纹图像。Stockman等在文献中提出了基于Hough变换的方法，将点模式匹配转化为对转换的Hough空间的峰值检测。然而，如果提取出的特征点少于30，这种方法很难在Hough空间积累足够的证据来确保可靠的匹配。Hrechak等。提出了基于结构信息的指纹特征匹配，Isenor等则使用了图匹配的方法来进行指纹图像匹配。由于这些方法利用了指纹的结构信息，因此，在一定程度上克服了噪声、旋转及变形对指纹识别的干扰。
但基于图像的匹配无法容忍大量的脊结构信息变形干扰，匹配准则依赖于脊提取及其连接信息将导致匹配性能随输入指纹图像的下降而恶化。因此，一般认为，点模式匹配(细节特征匹配)采用很小的特征模板，却有较高的鲁棒性和快速的匹配算法，是比较合理的方法。同时采用多种匹配方法也可以提高指纹识别系统的可靠性及识别率，Jain等对3种不同匹配方法的系统集成进行了讨论，并用以提高指纹识别系统的性能。
在此我们讨论点模式匹配及其在指纹匹配中的应用。
点模式匹配的问题是模式识别中的一个有名的难题。它是指对于两个含有不同数量元素的点集，如何找出它们之间的匹配关系。因此，一个好的点模式匹配算法应该能够有效地解决两个点集间的几何不变量问题。
点模式匹配中的2个点集尸和Q，其中P从第1幅图像抽取，由肌个点特征构成， Q从第2幅图像抽取，由n个点特征构成。它们之间的匹配就是找到一个校准函数，其中分别为平移旋转因子，以使两个点集有最大数量点对之间存在稳定的一一对应关系。即而在实际应用中，点的相对位置存在误差，G(P1)不可能完全等于Qj，所以我们一般用为允许的变形范围，来表示P与Q中点对的对应关系。在实际系统实现中，对应于前述指纹细节特征提取模块的输出，样本与模板两枚指纹的匹配就是用它们所对应的特征向量组进行匹配。在具体的实现中，本文采用了基于三角形稳定性的点匹配算法。该方法不依赖指纹图的中心区域，具有旋转平移不变性，不仅能很好地区分来自不同指纹的图像，而且有较好的匹配结果。
