Shi-Tomasi 角点检测器与跟踪的良好特征

目标

在本章中，

• 我们将了解另一种角点检测器：Shi-Tomasi 角点检测器
• 我们将看到函数：cv.goodFeaturesToTrack()

理论

在上一章中，我们看到了 Harris 角点检测器。后来在 1994 年，J. Shi 和 C. Tomasi 在其论文**跟踪的良好特征**中对其进行了一些小的修改，与 Harris 角点检测器相比，其效果更好。Harris 角点检测器中的评分函数由下式给出

\[R = \lambda_1 \lambda_2 - k(\lambda_1+\lambda_2)^2\]

Shi-Tomasi 提议使用以下公式代替此公式

\[R = \min(\lambda_1, \lambda_2)\]

如果它大于某个阈值，则它被认为是一个角点。如果我们在 \(\lambda_1 - \lambda_2\) 空间中绘制它，就像我们在 Harris 角点检测器中所做的那样，我们会得到如下图像

图像

从图中，你可以看到，只有当 \(\lambda_1\) 和 \(\lambda_2\) 大于最小值 \(\lambda_{\min}\) 时，它才被认为是一个角点（绿色区域）。

代码

OpenCV 有一个函数，cv.goodFeaturesToTrack()。它使用 Shi-Tomasi 方法（或者如果你指定，使用 Harris 角点检测）找到图像中的 N 个最强的角点。与往常一样，图像应为灰度图像。然后，你指定要查找的角点数。接下来，你指定质量水平（介于 0-1 之间的值），它表示角点的最小质量，低于此质量的所有角点均被拒绝。然后，我们提供检测到的角点之间的最小欧几里得距离。

有了所有这些信息，函数就会找到图像中的角点。质量水平以下的所有角点将被拒绝。然后，它会根据质量对剩余的角点进行降序排序。然后，函数取第一个最强的角点，去掉最小距离范围内所有附近的角点，并返回 N 个最强的角点。

在下面的示例中，我们将尝试找到 25 个最佳角点

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
 
img = cv.imread('blox.jpg')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
 
corners = cv.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.int0(corners)
 
for i in corners
x,y = i.ravel()
    cv.circle(img,(x,y),3,255,-1)
 
plt.imshow(img),plt.show()

请参见以下结果

图像

此函数更适合于跟踪。我们将在适当的时候看到这一点。

其他资源

练习