目标

在本章中，

我们将学习另一个角点检测器：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。1994年，J. Shi 和 C. Tomasi 在他们的论文Good Features to Track中对其进行了一点修改，与 Harris 角点检测器相比，该方法显示出更好的结果。Harris 角点检测器的评分函数由下式给出：

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

Shi-Tomasi 提出了以下方法：

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

如果它大于阈值，则将其视为角点。如果像在 Harris 角点检测器中那样在 \(\lambda_1 - \lambda_2\) 空间中绘制它，我们将得到如下所示的图像：

图像

从图中可以看出，只有当 \(\lambda_1\) 和 \(\lambda_2\) 都高于最小值 \(\lambda_{\min}\) 时，才将其视为角点（绿色区域）。

代码

OpenCV 有一个函数，cv.goodFeaturesToTrack()。它使用 Shi-Tomasi 方法（或者如果您指定，则使用 Harris 角点检测）查找图像中 N 个最强的角点。像往常一样，图像应该是灰度图像。然后，您指定要查找的角点数。然后，您指定质量级别，这是一个介于 0-1 之间的值，表示低于该值的角点的最小质量，低于该值的角点将被拒绝。然后，我们提供检测到的角点之间的最小欧几里德距离。

有了所有这些信息，该函数就能在图像中找到角点。所有质量级别以下的角点都将被拒绝。然后，它根据质量按降序对剩余的角点进行排序。然后，函数取第一个最强的角点，丢弃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()

请参见下面的结果

图像

此函数更适用于跟踪。我们将在时机成熟时看到这一点。