Shi-Tomasi角点检测与Good Features to track特征检测原理 OpenCV-Python v4.7.0

目标

在这一章中

• 我们将学习另一个角检测器的知识： Shi-Tomasi角检测器
• 我们将看到函数：cv.goodFeaturesToTrack()

理论

在上一章中，我们看到了哈里斯转角检测器。后来在1994年，J.Shi和C.Tomasi在他们的论文 《Good Features to Track》 中对它做了一个小小的修改，与Harris Corner Detector相比，结果更好。哈里斯拐角检测器中的评分函数是这样给出的：
$$R={\lambda }_1{\lambda }_2-k{\left({\lambda }_1+{\lambda }_2\right)}^2$$
与此相反，Shi-Tomasi提出：
$$R=min\left({\lambda }_1,{\lambda }_2\right)$$

如果它大于一个阈值，就被认为是一个角。如果我们像在哈里斯拐角检测器中那样在λ1-λ2空间中绘制它，我们得到的图像如下所示

从图中可以看出，只有当λ1和λ2高于一个最小值λmin时，它才被认为是一个角（绿色区域）。

代码

OpenCV有一个函数，cv.goodFeaturesToTrack（）。它通过Shi-Tomasi方法（或者Harris Corner Detection，如果你指定的话）找到图像中最强的角。像往常一样，图像应该是一个灰度图像。然后你指定你想找到的角的数量。然后你指定质量等级，这是一个介于0-1之间的值，表示角的最小质量，低于这个值的人将被拒绝。然后我们提供检测到的角之间的最小欧几里得距离。

有了所有这些信息，该函数就能找到图像中的角。所有低于质量水平的角都被拒绝。然后，它根据质量从高到低的顺序对剩余的角进行排序。然后，函数选择第一个最强的角，扔掉附近所有最小距离范围内的角，并返回N个最强的角。

在下面的例子中，我们将尝试找到25个最佳角：

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()

请看下面的结果：

这个函数更适合用于跟踪。我们将在它的时机到来时看到这一点。