8.3. Shi-Tomasi角点探测器&良好的跟踪特性¶
8.3.2. 理论¶
在最后一章中，我们看到了哈里斯角探测器。1994年晚些时候，J.Shi和C.Tomasi在他们的论文中对它做了一个小小的修改 要跟踪的良好功能 与Harris角点检测器相比，该方法具有更好的检测效果。Harris角点检测器的得分函数由下式给出：
\[R=lambda_1lambda_2-k（lambda_1+lambda_2）^2\]
而史托马西却提出：
\[R=min（lambda_1、lambda_2）\]
如果大于阈值，则将其视为角点。如果我们把它放进去 \(\lambda_1 - \lambda_2\) 就像我们在哈里斯角探测器中所做的那样，我们得到的图像如下：
从图上看，只有当 \(\lambda_1\) 和 \(\lambda_2\) 高于最小值， \(\lambda_{{min}}\) ，它是圆锥形的，作为一个角（绿色区域）。
8.3.3. 代码¶
OpenCV有一个功能， 良好特性跟踪（） . 它通过Shi-Tomasi方法（或者Harris角点检测，如果指定的话）在图像中找到N个最强的角点。像往常一样，图像应该是灰度图像。然后指定要查找的角数。然后指定质量级别，该值介于0-1之间，表示每个人都被拒绝的拐角的最小质量。然后给出检测到的角点之间的最小欧氏距离。
利用所有这些信息，函数可以在图像中找到角点。质量等级以下的所有角落均被拒收。然后根据质量按降序对剩余角点进行排序。然后，函数获取第一个最强角点，丢弃最小距离范围内的所有相邻角点，并返回N个最强角点。
在下面的示例中，我们将尝试找到25个最佳角：
>>> import numpy as np
>>> import cv2
>>> from matplotlib import pyplot as plt
>>>
>>> # img = cv2.imread('simple.jpg')
>>> img = cv2.imread('/cvdata/simple.jpg')
>>>
>>> gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
>>>
>>> corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)
>>> corners = np.int0(corners)
>>>
>>> for i in corners:
>>> x,y = i.ravel()
>>> cv2.circle(img,(x,y),3,255,-1)
>>>
>>> plt.imshow(img),plt.show()
(<matplotlib.image.AxesImage at 0x7f3268ded1d0>, None)
结果如下：
此功能更适合跟踪。到时候我们会看到的。