從圖像中提取特征的方法和裝置的制造方法
【專利摘要】一種從圖像中提取特征的方法和裝置，通過對所述圖像中的所有像素點應用第一特征點檢測算法來確定候選特征點；以及通過對候選特征點應用HARRIS算法來確定特征點。由于在應用HARRIS算法確定特征點之前先排除大量的非特征點，可以極大地降低特征提取過程的計算量。
【專利說明】
從圖像中提取特征的方法和裝置
技術領域
[0001] 本發明涉及圖像處理技術領域，更具體地，涉及從圖像中提取特征的方法和裝置。
【背景技術】
[0002] 隨著科學技術的進步，在享受方便、快捷生活方式的同時，人們對財產安全、信息 安全的要求也越來越高。傳統的身份認證方式主要包括密碼或令牌等，但由于其很有可能 被遺忘或遺失，因此逐漸難以滿足社會的需求。相比之下，采用特征識別技術來進行身份認 證更加安全、可靠。例如，作為一種相對成熟的生物特征識別技術，指紋識別技術目前已經 廣泛應用于司法、安全系統中，并具有良好的發展趨勢。
[0003] 通常，特征識別方法包括圖像采集、圖像預處理、特征提取和特征匹配等步驟，其 中圖像預處理步驟主要完成圖像增強、二值化等操作，以改善圖像質量，降低后續處理的難 度。作為特征識別過程中承上啟下的步驟，特征提取在實際應用中意義重大。一方面，為了 盡量避免在特征提取過程中出現偽特征點，對提取特征點的準確率有一定要求;另一方面， 考慮到嵌入式系統處理的效率，特征提取的耗時應該盡量減少。
[0004] 近年來，國內外學者進行了深入的研究和探討，提出了各種特征提取方法。例如， HARRIS算法由于引入高斯濾波計算而具有更高的穩定性和準確性，但正因如此其計算復雜 度大大提高。
【發明內容】
[0005] 本發明的實施例提供了一種從圖像中提取特征的方法和裝置，用于降低特征提取 過程的計算量。
[0006] 本發明的一方面提供了一種從圖像中提取特征的方法，包括:通過對所述圖像中 的所有像素點應用第一特征點檢測算法來確定候選特征點；以及通過對候選特征點應用 HARRIS算法來確定特征點。
[0007] 在一些實施例中，方法還可以包括:通過對應用第一特征點檢測算法而確定的候 選特征點應用第二特征點檢測算法來進一步確定候選特征點。
[0008] 在一些實施例中，第一特征點檢測算法可以包括FAST算法。
[0009] 在一些實施例中，通過對所述圖像中的所有像素點應用第一特征點檢測算法來確 定候選特征點可以包括:針對所述圖像中的每個像素點，確定在圓心對應于所述像素點、半 徑為3并且具有16個坐標點的離散化Bresenham圓上的坐標點1和9所對應的像素點的灰度 值與圓心所對應的像素點的灰度值之間的差異是否高于預定的閾值;如果坐標點1和9所對 應的像素點的灰度值與圓心所對應的像素點的灰度值之間的差異高于預定的閾值，則確定 Bre senham圓上的坐標點5和13所對應的像素點的灰度值與圓心所對應的像素點的灰度值 之間的差異是否高于所述預定的閾值；以及如果坐標點1、9、5和13中的至少三個所對應的 像素點的灰度值與圓心所對應的像素點的灰度值之間的差異高于所述預定的閾值，則確定 圓心所對應的像素點為候選特征點。
[0010] 在一些實施例中，第二特征點檢測算法可以包括鄰域比較算法。
[0011] 在一些實施例中，通過對應用第一特征點檢測算法而確定的候選特征點應用第二 特征點檢測算法來進一步確定候選特征點可以包括:針對對應用第一特征點檢測算法而確 定為候選特征點的每個像素點，確定該像素點的8個鄰域像素點之中與該像素點之間的灰 度值差異低于預定的閾值的鄰域像素點的數目是否為1或3;以及如果該像素點的8個鄰域 像素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域像素點的數目為1或3,則 確定該像素點為候選特征點。
[0012] 在一些實施例中，通過對候選特征點應用HARRIS算法來確定特征點可以包括:針 對每個候選特征點，計算該候選特征點的灰度值在水平和垂直方向上的梯度，基于所計算 的梯度利用高斯濾波窗口函數生成矩陣
，并基于矩陣M來計算 特征點響應函數R = det(M)_k X (trace(M) )2,其中X和y分別表示候選特征點在水平和垂直 方向上的坐標，Ix和Iy分別表示候選特征點的灰度值在水平和垂直方向上的梯度，ω (x，y) 表示高斯濾波窗口函數，det(M)表示矩陣M的行列式，trace(M)表示矩陣M的跡，k表示經驗 值;以及針對所有候選特征點的特征點響應函數R執行非極大值抑制以確定特征點。
[0013] 在一些實施例中，所述圖像可以為指紋的灰度圖像，所述特征為指紋特征。
[0014] 本發明的另一方面提供了一種從圖像中提取特征的設備，包括：用于通過對所述 圖像中的所有像素點應用第一特征點檢測算法來確定候選特征點的裝置；以及用于通過對 候選特征點應用HARRIS算法來確定特征點的裝置。
[0015] 在一些實施例中，設備還可以包括：用于通過對應用第一特征點檢測算法而確定 的候選特征點應用第二特征點檢測算法來進一步確定候選特征點的裝置。
[0016] 在一些實施例中，第一特征點檢測算法可以包括FAST算法。
[0017] 在一些實施例中，用于通過對所述圖像中的所有像素點應用第一特征點檢測算法 來確定候選特征點的裝置可以包括:用于針對所述圖像中的每個像素點確定在圓心對應于 所述像素點、半徑為3并且具有16個坐標點的離散化Bresenham圓上的坐標點1和9所對應的 像素點的灰度值與圓心所對應的像素點的灰度值之間的差異是否高于預定的閾值的裝置； 用于如果坐標點1和9所對應的像素點的灰度值與圓心所對應的像素點的灰度值之間的差 異高于預定的閾值則確定Bresenham圓上的坐標點5和13所對應的像素點的灰度值與圓心 所對應的像素點的灰度值之間的差異是否高于所述預定的閾值的裝置；以及用于如果坐標 點1、9、5和13中的至少三個所對應的像素點的灰度值與圓心所對應的像素點的灰度值之間 的差異高于所述預定的閾值則確定圓心所對應的像素點為候選特征點的裝置。
[0018] 在一些實施例中，第二特征點檢測算法可以包括鄰域比較算法。
[0019] 在一些實施例中，用于通過對應用第一特征點檢測算法而確定的候選特征點應用 第二特征點檢測算法來進一步確定候選特征點的裝置可以包括:用于針對對應用第一特征 點檢測算法而確定為候選特征點的每個像素點確定該像素點的8個鄰域像素點之中與該像 素點之間的灰度值差異低于預定的閾值的鄰域像素點的數目是否為1或3的裝置；以及用于 如果該像素點的8個鄰域像素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域 像素點的數目為1或3則確定該像素點為候選特征點的裝置。
[0020] 在一些實施例中，用于通過對候選特征點應用HARRIS算法來確定特征點的裝置可 以包括：用于針對每個候選特征點計算該候選特征點的灰度值在水平和垂直方向上的梯 度、基于所計算的梯度利用高斯濾波窗口函數生成矩K
并基于 矩陣M來計算特征點響應函數R = det(M)-kX (trace(M))2的裝置，其中X和y分別表示候選 特征點在水平和垂直方向上的坐標，Ix和Iy分別表示候選特征點的灰度值在水平和垂直方 向上的梯度，《(x，y)表示高斯濾波窗口函數，det(M)表示矩陣M的行列式，trace(M)表示矩 陣M的跡，k表示經驗值；以及用于針對所有候選特征點的特征點響應函數R執行非極大值抑 制以確定特征點的裝置。
[0021] 在一些實施例中，所述圖像可以為指紋的灰度圖像，所述特征可以為指紋特征。
【附圖說明】
[0022] 為了更清楚地說明本發明實施例的技術方案，下面將對實施例的附圖作簡單介 紹，顯而易見地，下面的描述中的附圖僅涉及本發明的一些實施例，而非對本發明的限制。
[0023] 圖1示出了根據本發明的實施例的從圖像中提取特征的方法的圖。
[0024]圖2示出了根據本發明的實施例的用于從圖像中提取特征的設備的圖。
[0025] 圖3示出了根據本發明的實施例的從圖像中提取特征的方法的流程圖。
[0026] 圖4示出了根據本發明的實施例在FAST算法中采用的Bresenham圓的示意圖。
[0027]圖5a和5b圖示了根據本發明的實施例的鄰域比較算法的示意圖。
【具體實施方式】
[0028]為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例 的附圖，對本發明實施例的技術方案進行清楚、完整的描述。顯然所描述的實施例是本發明 的一部分實施例，而不是全部的實施例。基于所描述的本發明的實施例，本領域普通技術人 員在無需創造性勞動的前提下所獲得的所有其他實施例，都術語本發明保護的范圍。
[0029]作為一種特征點提取算法，HARRIS算法能夠提取出在圖像中向某些方向稍稍偏移 就會引起灰度值變化較大的點。基本原理是，將一個圖像窗口向任意方向做微小的移動，若 移動后窗口的灰度值變化較大則表示這是一個特征點，否則不是特征點。窗口內灰度的變 化量可定義為
[0030] E(u，v)= Σχ，γω (x，y)[I(x+u，y+v)_I(x，y)]2 (I) 式中，I(x，y)為灰度圖像中坐標為(x，y)像素點的像素值，I(x+u，y+v)為相對于目標像 素點微小移動的像素點的灰度值，u、v分別為水平和垂直方向上的位移，則[I(X+u，y+V)-I (x，y)]為圖像灰度的梯度值，《( x，y)為高斯窗口函數，用以減小圖像噪聲的影響。
[0031] 由以上可以看出，當高斯濾波窗口為5 X 5時，每次HARRIS計算需進行300次加減操 作和75次乘除操作。然而理論上在一幅指紋圖像中特征點的比例一般不超過1%，直接對所 有像素點都進行HARRIS特征點檢測計算必然會導致計算資源的浪費。
[0032]本發明的實施例提供了從圖像中提取特征的方法和裝置，其通過在應用HARRIS算 法確定特征點之前先排除大量的非特征點，可以極大地降低特征提取過程的計算量。
[0033] 圖1示出了根據本發明的實施例的從圖像中提取特征的方法100的圖。
[0034] 在步驟S110,通過對所述圖像中的所有像素點應用第一特征點檢測算法來確定候 選特征點。這可以篩選掉大部分非特征點，大大降低了后續HARRIS計算的計算量，從而提高 整個特征提取過程的速度和效率。
[0035]在一些實施例中，第一特征點檢測算法可以包括FAST算法。例如，可以針對所述圖 像中的每個像素點，確定在圓心對應于所述像素點、半徑為3并且具有16個坐標點的離散化 Bresenham圓上的坐標點1和9所對應的像素點的灰度值與圓心所對應的像素點的灰度值之 間的差異是否高于預定的閾值;如果坐標點1和9所對應的像素點的灰度值與圓心所對應的 像素點的灰度值之間的差異高于預定的閾值，則確定Bre senham圓上的坐標點5和13所對應 的像素點的灰度值與圓心所對應的像素點的灰度值之間的差異是否高于所述預定的閾值； 以及如果坐標點1、9、5和13中的至少三個所對應的像素點的灰度值與圓心所對應的像素點 的灰度值之間的差異高于所述預定的閾值，則確定圓心所對應的像素點為候選特征點。可 以看出，對于每個像素點最多只需進行4次比較運算，相比于直接對所有像素點進行HARRIS 計算而言大大降低了計算量。
[0036] 在步驟S120，通過對候選特征點應用HARRIS算法來確定特征點。
[0037] 例如，可以針對每個候選特征點，計算該候選特征點的灰度值在水平和垂直方向 上的梯度，基于所計算的梯度利用高斯濾波窗口函數生成矩罔
并基于矩陣M來計算特征點響應函數R = det(M)-kX (trace(M))2,其中X和y分別表示候選 特征點在水平和垂直方向上的坐標，Ix和Iy分別表示候選特征點的灰度值在水平和垂直方 向上的梯度，《(x，y)表示高斯濾波窗口函數，det(M)表示矩陣M的行列式，trace(M)表示矩 陣M的跡，k表示經驗值；以及針對所有候選特征點的特征點響應函數R執行非極大值抑制以 確定特征點。
[0038] 在一些實施例中，方法100還可以包括:通過對應用第一特征點檢測算法而確定的 候選特征點應用第二特征點檢測算法來進一步確定候選特征點。這可以進一步排除圖像中 的非特征點，從而進一步降低后續HARRIS計算的計算量，進一步提高特征提取的速度和效 率。
[0039] 在一些實施例中，第二特征點檢測算法可以包括鄰域比較算法。例如，可以針對對 應用第一特征點檢測算法而確定為候選特征點的每個像素點，確定該像素點的8個鄰域像 素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域像素點的數目是否為1或3， 如果該像素點的8個鄰域像素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域 像素點的數目為1或3,則確定該像素點為候選特征點。這在本發明的實施例應用于指紋特 征提取時尤為有利。具體來說，通過簡單地根據8鄰域中相似點的數目找出指紋中的端點和 分叉點，進一步排除了圖像中的非特征點（強干擾點），從而進一步降低了后續HARRIS計算 的計算量，使得整個特征提取過程的速度和效率得到進一步提高。
[0040] 在一些實施例中，所述圖像可以為指紋的灰度圖像，所述特征可以為指紋特征。
[0041] 圖2示出了根據本發明的實施例的用于從圖像中提取特征的設備200的圖。
[0042] 如圖2所示，設備200可以包括用于通過對所述圖像中的所有像素點應用第一特征 點檢測算法來確定候選特征點的裝置210以及用于通過對候選特征點應用HARRIS算法來確 定特征點的裝置220。
[0043] 在一些實施例中，第一特征點檢測算法可以包括FAST算法。在一些實施例中，用于 通過對所述圖像中的所有像素點應用第一特征點檢測算法來確定候選特征點的裝置210可 以包括:用于針對所述圖像中的每個像素點確定在圓心對應于所述像素點、半徑為3并且具 有16個坐標點的離散化Bresenham圓上的坐標點1和9所對應的像素點的灰度值與圓心所對 應的像素點的灰度值之間的差異是否高于預定的閾值的裝置;用于如果坐標點1和9所對應 的像素點的灰度值與圓心所對應的像素點的灰度值之間的差異高于預定的閾值則確定 Bre senham圓上的坐標點5和13所對應的像素點的灰度值與圓心所對應的像素點的灰度值 之間的差異是否高于所述預定的閾值的裝置；以及用于如果坐標點1、9、5和13中的至少三 個所對應的像素點的灰度值與圓心所對應的像素點的灰度值之間的差異高于所述預定的 閾值則確定圓心所對應的像素點為候選特征點的裝置。
[0044]在一些實施例中，用于通過對候選特征點應用HARRIS算法來確定特征點的裝置 220可以包括：用于針對每個候選特征點計算該候選特征點的灰度值在水平和垂直方向上 的梯度、基于所計算的梯度利用高斯濾波窗口函數生成矩時
牛 基于矩陣M來計算特征點響應函數R = det(M)-kX (trace(M) )2的裝置，其中X和y分別表示 候選特征點在水平和垂直方向上的坐標，Ix和Iy分別表示候選特征點的灰度值在水平和垂 直方向上的梯度，《(x，y)表示高斯濾波窗口函數，det(M)表示矩陣M的行列式，trace(M)表 示矩陣M的跡，k表示經驗值；以及用于針對所有候選特征點的特征點響應函數R執行非極大 值抑制以確定特征點的裝置。
[0045] 在一些實施例中，設備200還可以包括用于通過對應用第一特征點檢測算法而確 定的候選特征點應用第二特征點檢測算法來進一步確定候選特征點的裝置。
[0046] 在一些實施例中，第二特征點檢測算法可以包括鄰域比較算法。在一些實施例中， 用于通過對應用第一特征點檢測算法而確定的候選特征點應用第二特征點檢測算法來進 一步確定候選特征點的裝置可以包括:用于針對對應用第一特征點檢測算法而確定為候選 特征點的每個像素點確定該像素點的8個鄰域像素點之中與該像素點之間的灰度值差異低 于預定的閾值的鄰域像素點的數目是否為1或3的裝置；以及用于如果該像素點的8個鄰域 像素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域像素點的數目為1或3則 確定該像素點為候選特征點的裝置。
[0047] 在一些實施例中，所述圖像可以為指紋的灰度圖像，所述特征可以為指紋特征。 [0048]圖3示出了根據本發明的實施例的從圖像中提取特征的方法300的流程圖。
[0049]根據本發明的實施例，方法300可以用于各種圖像特征的提取。在一些實施例中， 方法300可以用于指紋特征的提取。在這種情況下，圖像可以為指紋的灰度圖像。指紋是手 指皮膚多種不均勻紋路形成的圖案，具有唯一性和易采集性的特點。通常，指紋圖像的特征 包括總體特征和局部特征。總體特征是指那些用人眼就可以觀察到的特征，包括紋型、核心 點和三角點等。局部特征是指指紋節點的特征，因為指紋的紋路并不是筆直、連續的，經常 會出現分叉、斷點等"特征點"，而每個特征點的方向、曲率和位置都不盡相同。當指頭變臟、 手指皮膚干濕狀況不同或者從不同角度觸碰采集器時，會使得采集到的指紋圖像發生變 化，此時指紋圖像的總體特征發生改變，但其中一部分的局部特征依然保持不變，因此局部 特征更適用于指紋特征的提取和匹配。根據目前通用的美國聯邦調查局的指紋圖像特征標 準，特征點分類為分叉點和端點。
[0050] 方法300可以包括第一非特征點排除、第二非特征點排除、以及特征點確定。下面 將參考圖3來詳細描述方法300。
[0051] 第一非特征點排除
[0052]在該過程中，通過對圖像中的所有像素點應用FAST算法來排除大部分非特征點。 在一些實施例中，可以利用離散化的Bresenham圓作為匹配模板來排除非特征點。作為示 例，圖4示出了根據本發明的實施例在FAST算法中采用的Bresenham圓的示意圖。如圖4所 示，Bresenham圓半徑為3并且具有16個坐標點，在計算時，Bresenham圓的圓心對應于圖像 中的目標像素點，Bresenham圓的16個坐標點分別對應于目標像素點周圍的16個像素點。 [0053]在步驟S301，以圖像的像素點之一作為目標像素點，確定Bresenham圓的坐標點1 和9所對應的像素點的灰度值與Bresenham圓的圓心所對應的目標像素點的灰度值之間的 差異是否高于預定的閾值，即，確定坐標點1和9是否為目標像素點的非相似點。如果是，則 進行至步驟S302以進一步檢測坐標點5和13,否則進行至步驟S304以將目標像素點確定為 非特征點。
[0054]在步驟S302,確定Bresenham圓上的坐標點5和13所對應的像素點的灰度值與圓心 所對應的目標像素點的灰度值之間的差異是否高于所述預定的閾值，即，確定坐標點5和13 是否為目標像素點的非相似點。
[0055]在步驟S303，確定是否坐標點1、9、5和13中的至少三個所對應的像素點的灰度值 與圓心所對應的像素點的灰度值之間的差異高于所述預定的閾值，即，是否至少三個為非 相似點。如果是，則進行至步驟S305,否則進行至步驟S304以將目標像素點確定為非特征 點。
[0056] 在步驟S305，確定Bresenham圓的圓心所對應的目標像素點為候選特征點。
[0057]在步驟S306，確定是否遍歷了圖像中的所有像素點，如果是，則意味著第一非特征 點排除過程完成，方法進行至步驟S307以開始第二非特征點排除過程，否則返回步驟S301 對下一個目標像素點繼續執行第一非特征點排除。
[0058] 第二非特征點排除
[0059] 在該過程中，通過應用鄰域比較算法來進一步排除圖像中的非特征點。作為示例， 圖5a和5b圖示了根據本發明的實施例的鄰域比較算法的示意圖。在圖5a和5b中，中心圓點 表示目標像素點，目標像素點周圍有8個鄰域像素點，黑色圓點表示相似點，即，彼此灰度值 差異低于預定閾值的像素點，白色圓圈表示非相似點。
[0060] 在步驟S307,以上述第一非特征點排除過程確定的候選特征點之一作為目標像素 點，確定該目標像素點的8個鄰域像素點之中與該目標像素點之間的灰度值差異低于預定 的閾值的鄰域像素點的數目是否為1(如圖5a所示)或3(如圖5b所示），即，目標像素點的相 似點的數目是否為1或3。如果是，則進行至步驟S308，否則進行至步驟S304以將目標像素點 確定為非特征點。
[0061 ]在步驟S308，確定該目標像素點為候選特征點。
[0062]在步驟S309,確定是否遍歷了第一非特征點排除過程確定的所有候選特征點，如 果是，則意味著第二非特征點排除過程完成，方法進行至步驟S310以開始特征點確定過程， 否則返回步驟S307以對下一個目標像素點繼續執行第二非特征點排除。
[0063]作為示例，當方法300用于從指紋的灰度圖像中提取指紋特征時，如果在步驟S307 中確定目標像素點的8個鄰域像素點之中與該目標像素點之間的灰度值差異低于預定的閾 值的鄰域像素點的數目為1，則意味著該目標像素點周圍只有一個相似點，在這種情況下目 標像素點可能為指紋中的端點或噪聲點，如圖5a所示，因此方法進行至步驟S308將該目標 像素點視為候選特征點而保留，否則進行至步驟S304將其視為非特征點而排除。如果在步 驟S307中確定目標像素點的8個鄰域像素點之中與該目標像素點之間的灰度值差異低于預 定的閾值的鄰域像素點的數目為3，則意味著該目標像素點周圍有3個相似點。在這種情況 下目標像素點可能為指紋中的分叉點，如圖5b所示，因此方法進行至步驟S308將該目標像 素點視為候選特征點而保留，否則進行至步驟S304將其視為非特征點而排除。
[0064] 特征點確定
[0065]在該過程中，通過對圖像中排除了非特征點之后得到的候選特征點應用HARRIS算 法來最終確定特征點。HARRIS算法的基本思想如下。
[0066] 將以上等式(1)在(x，y)點處進行泰勒級數展開可得：
[0067] E(u,v) =Au2+2Cuv+Bv2+o(u,v) (2)
[0068] 其中，o(u，v)為無窮小項，略去后等式(2)可簡化為： 到
⑶
[0070]矩陣M是一個2 X 2的自相關矩陣，可表示為：
[湖]
⑷
[0072]其中Ix，Iy為目標像素點的灰度值I(x，y)在X和y方向上的梯度。矩陣M的特征值正 比于其特征響應函數，因此窗口灰度的變化量E(u，v)可用矩陣M的特征響應函數R表示。特 征響應函數R可表示為：
[0073] R = det(M)-kX (trace(M))2 (5)
[0074] 其中det(M)表示矩陣M的行列式，trace(M)表示矩陣M的跡，k表示經驗值。通常，k 在0.04至0.06范圍內，例如可以為0.05。當R大于預定的閾值且為局部最大值時，意味著自 相關矩陣M的兩個特征值較大，進而說明窗口灰度的變化量E(u，v)較大，因此將目標像素點 視為特征點。由此可以看出，通過利用以上等式得出自相關矩陣M的特征響應函數R的值即 可判斷目標像素點是否為特征點。
[0075] 在步驟S310,以第二非特征點排除過程確定的候選特征點之一(x，y)作為目標像 素點，計算該目標像素點的灰度值K X，y)在水平方向上的梯度IX和垂直方向上的梯度Iy。
[0076] 在步驟S311，基于所計算的梯度利用高斯濾波窗口函數生成矩陣
其中ω (X，y)表示高斯濾波窗口函數。
[0077] 在步驟S312,基于矩陣M來計算特征點響應函數R = det(M)_kX (trace(M) )2,其中 det(M)表示矩陣M的行列式，trace(M)表示矩陣M的跡，k表示經驗值。
[0078] 在步驟S313,確定是否遍歷了第二非特征點排除過程確定的所有候選特征點，如 果是，則意味著特征點確定過程完成，方法進行至步驟S314,否則返回步驟S310以對下一個 目標像素點繼續執行第特征點確定。
[0079] 在步驟S314,針對所有候選特征點的特征點響應函數R執行非極大值抑制以確定 特征點。
[0080] 本發明的實施例通過在應用HARRIS算法確定特征點之前先通過簡單快速的方法 排除大量的非特征點，可以極大地降低特征提取過程的計算量。例如，在一些實施例中，可 以在HARRIS計算之前先通過FAST算法來排除圖像中的大部分非特征點，再通過鄰域比較算 法進一步排除干擾點，最后對所有剩余的候選點進行HARRIS計算以確定特征點。由于本發 明的實施例并不是對圖像中的所有像素點執行HARRIS計算，而是僅對排除了非特征點后的 少數像素點執行HARRIS計算，所以相比于直接對圖像中的所有像素點進行HARRIS計算來確 定特征點的傳統特征提取方法，具有明顯更低的計算量，極大地提高了特征提取的速度和 效率。
[0081] 本發明的實施例可以用于指紋特征的提取。在這種情況下，由于可以在通過FAST 算法排除大部分非特征點之后簡單地通過8鄰域比較方法進一步排除并非指紋端點和分叉 點的那些干擾點，本發明的實施例以簡單快速的方式實現了非特征點的排除，提高了特征 提取的速度和效率，同時還保證了特征提取的準確率。
[0082] 以上所述僅是本發明的示范性實施方式，而非用于限制本發明的保護范圍，本發 明的保護范圍由所附的權利要求確定。
【主權項】
1. 一種從圖像中提取特征的方法，包括： 通過對所述圖像中的所有像素點應用第一特征點檢測算法來確定候選特征點；以及 通過對候選特征點應用HARRIS算法來確定特征點。2. 根據權利要求1所述的方法，還包括:通過對應用第一特征點檢測算法而確定的候選 特征點應用第二特征點檢測算法來進一步確定候選特征點。3. 根據權利要求1所述的方法，其中，第一特征點檢測算法包括FAST算法。4. 根據權利要求3所述的方法，其中，通過對所述圖像中的所有像素點應用第一特征點 檢測算法來確定候選特征點包括： 針對所述圖像中的每個像素點，確定在圓心對應于所述像素點、半徑為3并且具有16個 坐標點的離散化Bre s enham圓上的坐標點1和9所對應的像素點的灰度值與圓心所對應的像 素點的灰度值之間的差異是否高于預定的閾值； 如果坐標點1和9所對應的像素點的灰度值與圓心所對應的像素點的灰度值之間的差 異高于預定的閾值，則確定Bre senham圓上的坐標點5和13所對應的像素點的灰度值與圓心 所對應的像素點的灰度值之間的差異是否高于所述預定的閾值;以及 如果坐標點1、9、5和13中的至少三個所對應的像素點的灰度值與圓心所對應的像素點 的灰度值之間的差異高于所述預定的閾值，則確定圓心所對應的像素點為候選特征點。5. 根據權利要求2所述的方法，其中，第二特征點檢測算法包括鄰域比較算法。6. 根據權利要求5所述的方法，其中，通過對應用第一特征點檢測算法而確定的候選特 征點應用第二特征點檢測算法來進一步確定候選特征點包括： 針對對應用第一特征點檢測算法而確定為候選特征點的每個像素點，確定該像素點的 8個鄰域像素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域像素點的數目是 否為1或3;以及 如果該像素點的8個鄰域像素點之中與該像素點之間的灰度值差異低于預定的閾值的 鄰域像素點的數目為1或3，則確定該像素點為候選特征點。7. 根據權利要求1所述的方法，其中，通過對候選特征點應用HARRIS算法來確定特征點 包括： 針對每個候選特征點，計算該候選特征點的灰度值在水平和垂直方向上的梯度，基于 所計算的梯度利用高斯濾波窗口函數生成矩陣，并基于矩陣Μ 來計算特征點響應函數R = det(M)_kX (1:瓜〇6(1〇)2，其中1和7分別表示候選特征點在水平 和垂直方向上的坐標，lx和Iy分別表示候選特征點的灰度值在水平和垂直方向上的梯度， ?(x，y)表示高斯濾波窗口函數，det(M)表示矩陣Μ的行列式，trace(M)表示矩陣Μ的跡，k表 示經驗值；以及 針對所有候選特征點的特征點響應函數R執行非極大值抑制以確定特征點。8. 根據權利要求1-7中任一項權利要求所述的方法，其中，所述圖像為指紋的灰度圖 像，所述特征為指紋特征。9. 一種從圖像中提取特征的設備，包括： 用于通過對所述圖像中的所有像素點應用第一特征點檢測算法來確定候選特征點的 裝置；以及 用于通過對候選特征點應用HARRIS算法來確定特征點的裝置。10. 根據權利要求9所述的設備，還包括：用于通過對應用第一特征點檢測算法而確定 的候選特征點應用第二特征點檢測算法來進一步確定候選特征點的裝置。11. 根據權利要求9所述的設備，其中，第一特征點檢測算法包括FAST算法。12. 根據權利要求11所述的設備，其中，用于通過對所述圖像中的所有像素點應用第一 特征點檢測算法來確定候選特征點的裝置包括： 用于針對所述圖像中的每個像素點確定在圓心對應于所述像素點、半徑為3并且具有 16個坐標點的離散化Bresenham圓上的坐標點1和9所對應的像素點的灰度值與圓心所對應 的像素點的灰度值之間的差異是否高于預定的閾值的裝置； 用于如果坐標點1和9所對應的像素點的灰度值與圓心所對應的像素點的灰度值之間 的差異高于預定的閾值則確定Bre s enham圓上的坐標點5和13所對應的像素點的灰度值與 圓心所對應的像素點的灰度值之間的差異是否高于所述預定的閾值的裝置;以及 用于如果坐標點1、9、5和13中的至少三個所對應的像素點的灰度值與圓心所對應的像 素點的灰度值之間的差異高于所述預定的閾值則確定圓心所對應的像素點為候選特征點 的裝置。13. 根據權利要求10所述的設備，其中，第二特征點檢測算法包括鄰域比較算法。14. 根據權利要求13所述的設備，其中，用于通過對應用第一特征點檢測算法而確定的 候選特征點應用第二特征點檢測算法來進一步確定候選特征點的裝置包括： 用于針對對應用第一特征點檢測算法而確定為候選特征點的每個像素點確定該像素 點的8個鄰域像素點之中與該像素點之間的灰度值差異低于預定的閾值的鄰域像素點的數 目是否為1或3的裝置；以及 用于如果該像素點的8個鄰域像素點之中與該像素點之間的灰度值差異低于預定的閾 值的鄰域像素點的數目為1或3則確定該像素點為候選特征點的裝置。15. 根據權利要求9所述的設備，其中，用于通過對候選特征點應用HARRIS算法來確定 特征點的裝置包括： 用于針對每個候選特征點計算該候選特征點的灰度值在水平和垂直方向上的梯度、基 于所計算的梯度利用高斯濾波窗口函數生成矩陣并基于矩陣Μ 來計算特征點響應函數R = det(M)_kX (1:瓜〇6(1〇)2的裝置，其中1和7分別表示候選特征點 在水平和垂直方向上的坐標，lx和Iy分別表示候選特征點的灰度值在水平和垂直方向上的 梯度，《(x，y)表示高斯濾波窗口函數，det(M)表示矩陣Μ的行列式，trace(M)表示矩陣Μ的 跡，k表示經驗值；以及 用于針對所有候選特征點的特征點響應函數R執行非極大值抑制以確定特征點的裝 置。16. 根據權利要求9-15中任一項權利要求所述的設備，其中，所述圖像為指紋的灰度圖 像，所述特征為指紋特征。
【文檔編號】G06K9/46GK106056046SQ201610342166
【公開日】2016年10月26日
【申請日】2016年5月20日
【發明人】滿晨龍, 朱博, 高興波
【申請人】北京集創北方科技股份有限公司