目标

在本章中，

我们将学习另一种角点检测器：Shi-Tomasi 角点检测器
我们将看到函数：cv.goodFeaturesToTrack()

理论

在上一章中，我们学习了 Harris 角点检测器。后来在 1994 年，J. Shi 和 C. Tomasi 在他们的论文Good Features to Track中对其进行了一个小的修改，与 Harris 角点检测器相比，它显示出更好的结果。 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 提出了以下公式来代替它

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

如果它大于一个阈值，则被认为是角点。如果我们像在 Harris 角点检测器中所做的那样在 \(\lambda_1 - \lambda_2\) 空间中绘制它，我们会得到如下图

image

从图中可以看出，只有当 \(\lambda_1\) 和 \(\lambda_2\) 高于最小值 \(\lambda_{\min}\) 时，才被认为是角点（绿色区域）。

代码

OpenCV 有一个函数 cv.goodFeaturesToTrack()。它通过 Shi-Tomasi 方法（如果您指定，也可以是 Harris 角点检测）找到图像中 N 个最强的角点。与往常一样，图像应该是灰度图像。然后指定要找到的角点数。然后指定质量等级，这是一个介于 0-1 之间的值，表示角点的最低质量，低于该质量的所有角点都将被拒绝。然后，我们提供检测到的角点之间的最小欧几里得距离。

有了这些信息，该函数会在图像中找到角点。所有低于质量等级的角点都将被拒绝。然后，它根据质量以降序对剩余的角点进行排序。然后，该函数获取第一个最强的角点，丢弃最小距离范围内的所有附近角点，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()

请参阅下面的结果

image

此函数更适合用于跟踪。当时机到来时，我们会看到这一点。