【翻译：OpenCV-Python教程】史-托马斯角点检测&用于追踪的好特征

⚠️由于自己的拖延症，3.4.3翻到一半，OpenCV发布了4.0.1了正式版，所以接下来是按照4.0.1翻译的。

⚠️除了版本之外，其他还是照旧，Shi-Tomasi Corner Detector & Good Features to Track，附原文。

目标

在本章

• 我们将会学到另外一个角点检测算法：史-托马斯角点检测
• 我们会用到这个函数：cv.goodFeaturesToTrack()

理论

在上一章，我们见到了哈里斯角点检测算法。后来在1994年，J. Shi 和 C. Tomasi 在他们的论文 Good Features to Track 里为这个算法做了一个小改动，其结果显示角点检测的效果比哈里斯角点检测算法要好。在哈里斯角点检测算法中的个计分函数(译者注：在很多文献里这个函数也被称为角点响应函数)是：

取而代之，史和托马斯推荐使用：

如果它(R值)比阈值更大，它就被认为是一个角。如果我们把它画在λ1−λ2空间里，就好像我们在哈里斯角点检测算法中做过的那样，我们就会得到一张图像如下：

从这个计算，你可以看到只有当 λ1 和 λ2 都大于一个最小阈值λmin的时候，它才会被认为是一个角点。(绿色区域)。

编码

OpenCV 有一个函数，cv.goodFeaturesToTrack() (译者注：这个函数名是以他们的论文来命名的)。它按照史-托马斯的方法(或者哈里斯的算法，如果你给参数指定的话)，在图像中找出N个最强的(译者注：就是R值最大)的角点。和平常一样，图像应该是灰度图像。然后你指定你想要找出的角点数量。然后是指定质量级别，这个值应该是0-1，它表示最小的角点质量，在此之下的点一律认为非角点。最后我们提供检测到的角之间的最小欧氏距离。

有了所有的这些信息，函数可以找出图像中的角点。所有低于质量标准的疑似角点都将被认为非角点。然后，它根据质量按降序对剩下的角进行降序排序。然后函数取第一个最强的角，丢弃最小距离范围内的所有相邻角，返回N个最强的角。

在下面的例子中，我们将尝试找到25个最好的角点：

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()

看以下的结果：

这个函数更适合跟踪物体。到时候我们将会看到的。

额外资源

练习

---

上篇：【翻译：OpenCV-Python教程】哈里斯角点检测

下篇：【翻译：OpenCV-Python教程】SIFT(Scale-Invariant Feature Transform) 介绍