官网参见 https://docs.opencv.org/3.4.1/d4/d8c/tutorial_py_shi_tomasi.html
在https://blog.csdn.net/weixin_42555985/article/details/100112049中已经了解了Harris 角点检测。1994年,Shi和C. Tomasi在《Good Features to Track》一文中对该算法做了一些小小的修改,可以得到更好的结果。
Harris 角点检测的打分公式如下:
R=λ1λ2−k(λ1+λ2)2
Shi-Tomasi的替代公式如下:
R=min(λ1,λ2)
如果打分超过阈值,它就是角点。
参照Harris 角点检测方式,我们把Shi-Tomasi检测结果也放入λ1−λ2空间,可以得到下图
在图中可以发现,只有当λ1和λ2都大于最小值λmin时候,才会被认为是角点(也就是图中绿色区域)。
opencv中提供了cv.goodFeaturesToTrack()函数,它可以用Shi-Tomasi方法发现图像中最强的N个角点(如果你改变参数,也可以变为Harris角点检测方式)。通常,输入图像应该是灰度图。接着指定你要查找角点的数目。然后指定(角点的)质量级别,该值在0-1之间,它是角点的最小质量,低于该值的角点都会被抛弃。最后还需要提供了角点之间的最短欧式距离。
根据这些信息,函数就可以发现图像中的角点。所有低于质量级别的角点会被抛弃。剩余合格的角点会根据质量降序排列。函数取最强的角点,把最短欧式距离内的其他角点都抛弃。以这种方式操作,直至最后返回N个最强角点。
以下是官网的例子,找到25个角点
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()
结果如下图
我们会发现这个函数很适合在目标跟踪中使用。