CN106056046A - 从图像中提取特征的方法和装置 - Google Patents

Abstract

一种从图像中提取特征的方法和装置，通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点；以及通过对候选特征点应用HARRIS算法来确定特征点。由于在应用HARRIS算法确定特征点之前先排除大量的非特征点，可以极大地降低特征提取过程的计算量。

Description

从图像中提取特征的方法和装置

技术领域

本发明涉及图像处理技术领域，更具体地，涉及从图像中提取特征的方法和装置。

背景技术

随着科学技术的进步，在享受方便、快捷生活方式的同时，人们对财产安全、信息安全的要求也越来越高。传统的身份认证方式主要包括密码或令牌等，但由于其很有可能被遗忘或遗失，因此逐渐难以满足社会的需求。相比之下，采用特征识别技术来进行身份认证更加安全、可靠。例如，作为一种相对成熟的生物特征识别技术，指纹识别技术目前已经广泛应用于司法、安全系统中，并具有良好的发展趋势。

通常，特征识别方法包括图像采集、图像预处理、特征提取和特征匹配等步骤，其中图像预处理步骤主要完成图像增强、二值化等操作，以改善图像质量，降低后续处理的难度。作为特征识别过程中承上启下的步骤，特征提取在实际应用中意义重大。一方面，为了尽量避免在特征提取过程中出现伪特征点，对提取特征点的准确率有一定要求；另一方面，考虑到嵌入式系统处理的效率，特征提取的耗时应该尽量减少。

近年来，国内外学者进行了深入的研究和探讨，提出了各种特征提取方法。例如，HARRIS算法由于引入高斯滤波计算而具有更高的稳定性和准确性，但正因如此其计算复杂度大大提高。

发明内容

本发明的实施例提供了一种从图像中提取特征的方法和装置，用于降低特征提取过程的计算量。

本发明的一方面提供了一种从图像中提取特征的方法，包括：通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点；以及通过对候选特征点应用HARRIS算法来确定特征点。

在一些实施例中，方法还可以包括：通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点。

在一些实施例中，第一特征点检测算法可以包括FAST算法。

在一些实施例中，通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点可以包括：针对所述图像中的每个像素点，确定在圆心对应于所述像素点、半径为3并且具有16个坐标点的离散化Bresenham圆上的坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于预定的阈值；如果坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于预定的阈值，则确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于所述预定的阈值；以及如果坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值，则确定圆心所对应的像素点为候选特征点。

在一些实施例中，第二特征点检测算法可以包括邻域比较算法。

在一些实施例中，通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点可以包括：针对对应用第一特征点检测算法而确定为候选特征点的每个像素点，确定该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1或3；以及如果该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1或3，则确定该像素点为候选特征点。

在一些实施例中，通过对候选特征点应用HARRIS算法来确定特征点可以包括：针对每个候选特征点，计算该候选特征点的灰度值在水平和垂直方向上的梯度，基于所计算的梯度利用高斯滤波窗口函数生成矩阵并基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²,其中x和y分别表示候选特征点在水平和垂直方向上的坐标，Ix和Iy分别表示候选特征点的灰度值在水平和垂直方向上的梯度，ω(x,y)表示高斯滤波窗口函数，det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值；以及针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点。

在一些实施例中，所述图像可以为指纹的灰度图像，所述特征为指纹特征。

本发明的另一方面提供了一种从图像中提取特征的设备，包括：用于通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点的装置；以及用于通过对候选特征点应用HARRIS算法来确定特征点的装置。

在一些实施例中，设备还可以包括：用于通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点的装置。

在一些实施例中，第一特征点检测算法可以包括FAST算法。

在一些实施例中，用于通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点的装置可以包括：用于针对所述图像中的每个像素点确定在圆心对应于所述像素点、半径为3并且具有16个坐标点的离散化Bresenham圆上的坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于预定的阈值的装置；用于如果坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于预定的阈值则确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于所述预定的阈值的装置；以及用于如果坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值则确定圆心所对应的像素点为候选特征点的装置。

在一些实施例中，第二特征点检测算法可以包括邻域比较算法。

在一些实施例中，用于通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点的装置可以包括：用于针对对应用第一特征点检测算法而确定为候选特征点的每个像素点确定该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1或3的装置；以及用于如果该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1或3则确定该像素点为候选特征点的装置。

在一些实施例中，用于通过对候选特征点应用HARRIS算法来确定特征点的装置可以包括：用于针对每个候选特征点计算该候选特征点的灰度值在水平和垂直方向上的梯度、基于所计算的梯度利用高斯滤波窗口函数生成矩阵并基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²的装置,其中x和y分别表示候选特征点在水平和垂直方向上的坐标，Ix和Iy分别表示候选特征点的灰度值在水平和垂直方向上的梯度，ω(x,y)表示高斯滤波窗口函数，det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值；以及用于针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点的装置。

在一些实施例中，所述图像可以为指纹的灰度图像，所述特征可以为指纹特征。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单介绍，显而易见地，下面的描述中的附图仅涉及本发明的一些实施例，而非对本发明的限制。

图1示出了根据本发明的实施例的从图像中提取特征的方法的图。

图2示出了根据本发明的实施例的用于从图像中提取特征的设备的图。

图3示出了根据本发明的实施例的从图像中提取特征的方法的流程图。

图4示出了根据本发明的实施例在FAST算法中采用的Bresenham圆的示意图。

图5a和5b图示了根据本发明的实施例的邻域比较算法的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整的描述。显然所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都术语本发明保护的范围。

作为一种特征点提取算法，HARRIS算法能够提取出在图像中向某些方向稍稍偏移就会引起灰度值变化较大的点。基本原理是，将一个图像窗口向任意方向做微小的移动，若移动后窗口的灰度值变化较大则表示这是一个特征点，否则不是特征点。窗口内灰度的变化量可定义为

E(u，v)＝Σ_x，yω(x，y)[I(x+u，y+v)-I(x，y)]² (1)

式中，I(x,y)为灰度图像中坐标为(x,y)像素点的像素值，I(x+u,y+v)为相对于目标像素点微小移动的像素点的灰度值，u、v分别为水平和垂直方向上的位移，则[I(x+u,y+v)-I(x,y)]为图像灰度的梯度值，ω(x,y)为高斯窗口函数，用以减小图像噪声的影响。

由以上可以看出，当高斯滤波窗口为5×5时，每次HARRIS计算需进行300次加减操作和75次乘除操作。然而理论上在一幅指纹图像中特征点的比例一般不超过1％，直接对所有像素点都进行HARRIS特征点检测计算必然会导致计算资源的浪费。

本发明的实施例提供了从图像中提取特征的方法和装置，其通过在应用HARRIS算法确定特征点之前先排除大量的非特征点，可以极大地降低特征提取过程的计算量。

图1示出了根据本发明的实施例的从图像中提取特征的方法100的图。

在步骤S110，通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点。这可以筛选掉大部分非特征点，大大降低了后续HARRIS计算的计算量，从而提高整个特征提取过程的速度和效率。

在一些实施例中，第一特征点检测算法可以包括FAST算法。例如，可以针对所述图像中的每个像素点，确定在圆心对应于所述像素点、半径为3并且具有16个坐标点的离散化Bresenham圆上的坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于预定的阈值；如果坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于预定的阈值，则确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于所述预定的阈值；以及如果坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值，则确定圆心所对应的像素点为候选特征点。可以看出，对于每个像素点最多只需进行4次比较运算，相比于直接对所有像素点进行HARRIS计算而言大大降低了计算量。

在步骤S120，通过对候选特征点应用HARRIS算法来确定特征点。

例如，可以针对每个候选特征点，计算该候选特征点的灰度值在水平和垂直方向上的梯度，基于所计算的梯度利用高斯滤波窗口函数生成矩阵并基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²,其中x和y分别表示候选特征点在水平和垂直方向上的坐标，Ix和Iy分别表示候选特征点的灰度值在水平和垂直方向上的梯度，ω(x,y)表示高斯滤波窗口函数，det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值；以及针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点。

在一些实施例中，方法100还可以包括：通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点。这可以进一步排除图像中的非特征点，从而进一步降低后续HARRIS计算的计算量，进一步提高特征提取的速度和效率。

在一些实施例中，第二特征点检测算法可以包括邻域比较算法。例如，可以针对对应用第一特征点检测算法而确定为候选特征点的每个像素点，确定该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1或3，如果该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1或3，则确定该像素点为候选特征点。这在本发明的实施例应用于指纹特征提取时尤为有利。具体来说，通过简单地根据8邻域中相似点的数目找出指纹中的端点和分叉点，进一步排除了图像中的非特征点(强干扰点)，从而进一步降低了后续HARRIS计算的计算量，使得整个特征提取过程的速度和效率得到进一步提高。

在一些实施例中，所述图像可以为指纹的灰度图像，所述特征可以为指纹特征。

图2示出了根据本发明的实施例的用于从图像中提取特征的设备200的图。

如图2所示，设备200可以包括用于通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点的装置210以及用于通过对候选特征点应用HARRIS算法来确定特征点的装置220。

在一些实施例中，第一特征点检测算法可以包括FAST算法。在一些实施例中，用于通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点的装置210可以包括：用于针对所述图像中的每个像素点确定在圆心对应于所述像素点、半径为3并且具有16个坐标点的离散化Bresenham圆上的坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于预定的阈值的装置；用于如果坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于预定的阈值则确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于所述预定的阈值的装置；以及用于如果坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值则确定圆心所对应的像素点为候选特征点的装置。

在一些实施例中，用于通过对候选特征点应用HARRIS算法来确定特征点的装置220可以包括：用于针对每个候选特征点计算该候选特征点的灰度值在水平和垂直方向上的梯度、基于所计算的梯度利用高斯滤波窗口函数生成矩阵并基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²的装置,其中x和y分别表示候选特征点在水平和垂直方向上的坐标，Ix和Iy分别表示候选特征点的灰度值在水平和垂直方向上的梯度，ω(x,y)表示高斯滤波窗口函数，det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值；以及用于针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点的装置。

在一些实施例中，设备200还可以包括用于通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点的装置。

在一些实施例中，第二特征点检测算法可以包括邻域比较算法。在一些实施例中，用于通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点的装置可以包括：用于针对对应用第一特征点检测算法而确定为候选特征点的每个像素点确定该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1或3的装置；以及用于如果该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1或3则确定该像素点为候选特征点的装置。

在一些实施例中，所述图像可以为指纹的灰度图像，所述特征可以为指纹特征。

图3示出了根据本发明的实施例的从图像中提取特征的方法300的流程图。

根据本发明的实施例，方法300可以用于各种图像特征的提取。在一些实施例中，方法300可以用于指纹特征的提取。在这种情况下，图像可以为指纹的灰度图像。指纹是手指皮肤多种不均匀纹路形成的图案，具有唯一性和易采集性的特点。通常，指纹图像的特征包括总体特征和局部特征。总体特征是指那些用人眼就可以观察到的特征，包括纹型、核心点和三角点等。局部特征是指指纹节点的特征，因为指纹的纹路并不是笔直、连续的，经常会出现分叉、断点等“特征点”，而每个特征点的方向、曲率和位置都不尽相同。当指头变脏、手指皮肤干湿状况不同或者从不同角度触碰采集器时，会使得采集到的指纹图像发生变化，此时指纹图像的总体特征发生改变，但其中一部分的局部特征依然保持不变，因此局部特征更适用于指纹特征的提取和匹配。根据目前通用的美国联邦调查局的指纹图像特征标准，特征点分类为分叉点和端点。

方法300可以包括第一非特征点排除、第二非特征点排除、以及特征点确定。下面将参考图3来详细描述方法300。

第一非特征点排除

在该过程中，通过对图像中的所有像素点应用FAST算法来排除大部分非特征点。在一些实施例中，可以利用离散化的Bresenham圆作为匹配模板来排除非特征点。作为示例，图4示出了根据本发明的实施例在FAST算法中采用的Bresenham圆的示意图。如图4所示，Bresenham圆半径为3并且具有16个坐标点，在计算时，Bresenham圆的圆心对应于图像中的目标像素点，Bresenham圆的16个坐标点分别对应于目标像素点周围的16个像素点。

在步骤S301，以图像的像素点之一作为目标像素点，确定Bresenham圆的坐标点1和9所对应的像素点的灰度值与Bresenham圆的圆心所对应的目标像素点的灰度值之间的差异是否高于预定的阈值，即，确定坐标点1和9是否为目标像素点的非相似点。如果是，则进行至步骤S302以进一步检测坐标点5和13，否则进行至步骤S304以将目标像素点确定为非特征点。

在步骤S302，确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的目标像素点的灰度值之间的差异是否高于所述预定的阈值，即，确定坐标点5和13是否为目标像素点的非相似点。

在步骤S303，确定是否坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值，即，是否至少三个为非相似点。如果是，则进行至步骤S305，否则进行至步骤S304以将目标像素点确定为非特征点。

在步骤S305，确定Bresenham圆的圆心所对应的目标像素点为候选特征点。

在步骤S306，确定是否遍历了图像中的所有像素点，如果是，则意味着第一非特征点排除过程完成，方法进行至步骤S307以开始第二非特征点排除过程，否则返回步骤S301对下一个目标像素点继续执行第一非特征点排除。

第二非特征点排除

在该过程中，通过应用邻域比较算法来进一步排除图像中的非特征点。作为示例，图5a和5b图示了根据本发明的实施例的邻域比较算法的示意图。在图5a和5b中，中心圆点表示目标像素点，目标像素点周围有8个邻域像素点，黑色圆点表示相似点，即，彼此灰度值差异低于预定阈值的像素点，白色圆圈表示非相似点。

在步骤S307，以上述第一非特征点排除过程确定的候选特征点之一作为目标像素点，确定该目标像素点的8个邻域像素点之中与该目标像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1(如图5a所示)或3(如图5b所示)，即，目标像素点的相似点的数目是否为1或3。如果是，则进行至步骤S308，否则进行至步骤S304以将目标像素点确定为非特征点。

在步骤S308，确定该目标像素点为候选特征点。

在步骤S309，确定是否遍历了第一非特征点排除过程确定的所有候选特征点，如果是，则意味着第二非特征点排除过程完成，方法进行至步骤S310以开始特征点确定过程，否则返回步骤S307以对下一个目标像素点继续执行第二非特征点排除。

作为示例，当方法300用于从指纹的灰度图像中提取指纹特征时，如果在步骤S307中确定目标像素点的8个邻域像素点之中与该目标像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1，则意味着该目标像素点周围只有一个相似点，在这种情况下目标像素点可能为指纹中的端点或噪声点，如图5a所示，因此方法进行至步骤S308将该目标像素点视为候选特征点而保留，否则进行至步骤S304将其视为非特征点而排除。如果在步骤S307中确定目标像素点的8个邻域像素点之中与该目标像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为3，则意味着该目标像素点周围有3个相似点。在这种情况下目标像素点可能为指纹中的分叉点，如图5b所示，因此方法进行至步骤S308将该目标像素点视为候选特征点而保留，否则进行至步骤S304将其视为非特征点而排除。

特征点确定

在该过程中，通过对图像中排除了非特征点之后得到的候选特征点应用HARRIS算法来最终确定特征点。HARRIS算法的基本思想如下。

将以上等式(1)在(x,y)点处进行泰勒级数展开可得：

E(u，v)＝Au²+2Cuv+Bv²+o(u，v) (2)

其中，o(u,v)为无穷小项，略去后等式(2)可简化为：

$E(u,v)=\left[\begin{array}{cc}u& v\end{array}\right]M\left[\begin{array}{c}u\\ v\end{array}\right]---\left(3\right)$

矩阵M是一个2×2的自相关矩阵，可表示为：

$M={\mathrm{\Σ}}_{x,y}\mathrm{\ω}(x,y)*\left[\begin{array}{cc}{\mathrm{Ix}}^2& IxIy\\ IxIy& {\mathrm{Iy}}^2\end{array}\right]---\left(4\right)$

其中Ix,Iy为目标像素点的灰度值I(x,y)在x和y方向上的梯度。矩阵M的特征值正比于其特征响应函数，因此窗口灰度的变化量E(u,v)可用矩阵M的特征响应函数R表示。特征响应函数R可表示为：

R＝det(M)-k×(trace(M))² (5)

其中det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值。通常，k在0.04至0.06范围内，例如可以为0.05。当R大于预定的阈值且为局部最大值时，意味着自相关矩阵M的两个特征值较大，进而说明窗口灰度的变化量E(u,v)较大，因此将目标像素点视为特征点。由此可以看出，通过利用以上等式得出自相关矩阵M的特征响应函数R的值即可判断目标像素点是否为特征点。

在步骤S310，以第二非特征点排除过程确定的候选特征点之一(x,y)作为目标像素点，计算该目标像素点的灰度值I(x,y)在水平方向上的梯度Ix和垂直方向上的梯度Iy。

在步骤S311，基于所计算的梯度利用高斯滤波窗口函数生成矩阵其中ω(x,y)表示高斯滤波窗口函数。

在步骤S312，基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²,其中det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值。

在步骤S313，确定是否遍历了第二非特征点排除过程确定的所有候选特征点，如果是，则意味着特征点确定过程完成，方法进行至步骤S314，否则返回步骤S310以对下一个目标像素点继续执行第特征点确定。

在步骤S314，针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点。

本发明的实施例通过在应用HARRIS算法确定特征点之前先通过简单快速的方法排除大量的非特征点，可以极大地降低特征提取过程的计算量。例如，在一些实施例中，可以在HARRIS计算之前先通过FAST算法来排除图像中的大部分非特征点，再通过邻域比较算法进一步排除干扰点，最后对所有剩余的候选点进行HARRIS计算以确定特征点。由于本发明的实施例并不是对图像中的所有像素点执行HARRIS计算，而是仅对排除了非特征点后的少数像素点执行HARRIS计算，所以相比于直接对图像中的所有像素点进行HARRIS计算来确定特征点的传统特征提取方法，具有明显更低的计算量，极大地提高了特征提取的速度和效率。

本发明的实施例可以用于指纹特征的提取。在这种情况下，由于可以在通过FAST算法排除大部分非特征点之后简单地通过8邻域比较方法进一步排除并非指纹端点和分叉点的那些干扰点，本发明的实施例以简单快速的方式实现了非特征点的排除，提高了特征提取的速度和效率，同时还保证了特征提取的准确率。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (16)

1.一种从图像中提取特征的方法，包括：

通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点；以及

通过对候选特征点应用HARRIS算法来确定特征点。

2.根据权利要求1所述的方法，还包括：通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点。

3.根据权利要求1所述的方法，其中，第一特征点检测算法包括FAST算法。

4.根据权利要求3所述的方法，其中，通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点包括：

针对所述图像中的每个像素点，确定在圆心对应于所述像素点、半径为3并且具有16个坐标点的离散化Bresenham圆上的坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于预定的阈值；

如果坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于预定的阈值，则确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于所述预定的阈值；以及

如果坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值，则确定圆心所对应的像素点为候选特征点。

5.根据权利要求2所述的方法，其中，第二特征点检测算法包括邻域比较算法。

6.根据权利要求5所述的方法，其中，通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点包括：

针对对应用第一特征点检测算法而确定为候选特征点的每个像素点，确定该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1或3；以及

如果该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1或3，则确定该像素点为候选特征点。

7.根据权利要求1所述的方法，其中，通过对候选特征点应用HARRIS算法来确定特征点包括：

针对每个候选特征点，计算该候选特征点的灰度值在水平和垂直方向上的梯度，基于所计算的梯度利用高斯滤波窗口函数生成矩阵并基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²,其中x和y分别表示候选特征点在水平和垂直方向上的坐标，Ix和Iy分别表示候选特征点的灰度值在水平和垂直方向上的梯度，ω(x,y)表示高斯滤波窗口函数，det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值；以及

针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点。

8.根据权利要求1-7中任一项权利要求所述的方法，其中，所述图像为指纹的灰度图像，所述特征为指纹特征。

9.一种从图像中提取特征的设备，包括：

用于通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点的装置；以及

用于通过对候选特征点应用HARRIS算法来确定特征点的装置。

10.根据权利要求9所述的设备，还包括：用于通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点的装置。

11.根据权利要求9所述的设备，其中，第一特征点检测算法包括FAST算法。

12.根据权利要求11所述的设备，其中，用于通过对所述图像中的所有像素点应用第一特征点检测算法来确定候选特征点的装置包括：

用于针对所述图像中的每个像素点确定在圆心对应于所述像素点、半径为3并且具有16个坐标点的离散化Bresenham圆上的坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于预定的阈值的装置；

用于如果坐标点1和9所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于预定的阈值则确定Bresenham圆上的坐标点5和13所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异是否高于所述预定的阈值的装置；以及

用于如果坐标点1、9、5和13中的至少三个所对应的像素点的灰度值与圆心所对应的像素点的灰度值之间的差异高于所述预定的阈值则确定圆心所对应的像素点为候选特征点的装置。

13.根据权利要求10所述的设备，其中，第二特征点检测算法包括邻域比较算法。

14.根据权利要求13所述的设备，其中，用于通过对应用第一特征点检测算法而确定的候选特征点应用第二特征点检测算法来进一步确定候选特征点的装置包括：

用于针对对应用第一特征点检测算法而确定为候选特征点的每个像素点确定该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目是否为1或3的装置；以及

用于如果该像素点的8个邻域像素点之中与该像素点之间的灰度值差异低于预定的阈值的邻域像素点的数目为1或3则确定该像素点为候选特征点的装置。

15.根据权利要求9所述的设备，其中，用于通过对候选特征点应用HARRIS算法来确定特征点的装置包括：

用于针对每个候选特征点计算该候选特征点的灰度值在水平和垂直方向上的梯度、基于所计算的梯度利用高斯滤波窗口函数生成矩阵并基于矩阵M来计算特征点响应函数R＝det(M)-k×(trace(M))²的装置,其中x和y分别表示候选特征点在水平和垂直方向上的坐标，Ix和Iy分别表示候选特征点的灰度值在水平和垂直方向上的梯度，ω(x,y)表示高斯滤波窗口函数，det(M)表示矩阵M的行列式，trace(M)表示矩阵M的迹，k表示经验值；以及

用于针对所有候选特征点的特征点响应函数R执行非极大值抑制以确定特征点的装置。

16.根据权利要求9-15中任一项权利要求所述的设备，其中，所述图像为指纹的灰度图像，所述特征为指纹特征。