目标

在本章中，

  • 我们将学习另一个拐角检测器：Shi-Tomasi拐角检测器
  • 我们将看到以下函数：cv.goodFeaturesToTrack()

理论

在上一章中，我们看到了Harris Corner Detector。1994年下半年，J。Shi和C. Tomasi在他们的论文《有益于跟踪的特征》中做了一个小修改，与Harris Harris Detector相比，显示了更好的结果。哈里斯角落探测器的计分功能由下式给出：

R=λ1λ2−k(λ1λ2)2R = \lambda_1 \lambda_2 - k(\lambda_1 \lambda_2)^2 R=λ1​λ2​−k(λ1​λ2​)2

取而代之的是，史托马西提出：

R=min(λ1,λ2)R = min(\lambda_1, \lambda_2) R=min(λ1​,λ2​)

如果大于阈值，则将其视为拐角。如果像在Harris Corner Detector中那样在λ1−λ2\lambda_1-\lambda_2λ1​−λ2​空间中绘制它，则会得到如下图像：

OpenCV-Python Shi-tomas拐角检测器和益于跟踪的特征 | 三十八_资源汇总

从图中可以看到，只有当λ1\lambda_1λ1​和λ2\lambda_2λ2​大于最小值λmin\lambda_{min}λmin​时，才将其视为拐角（绿色区域）。

代码

OpenCV有一个函数cv.goodFeaturesToTrack()。它通过Shi-Tomasi方法（或哈里斯角检测，如果指定）找到图像中的N个最强角。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，您指定质量级别，该值是介于​​0-1​​之间的值，该值表示每个角落都被拒绝的最低拐角质量。然后，我们提供检测到的角之间的最小欧式距离。

利用所有这些信息，该功能可以找到图像中的拐角。低于平均质量的所有拐角点均被拒绝。然后，它会根据质量以降序对剩余的角进行排序。然后函数首先获取最佳拐角，然后丢弃最小距离范围内的所有附近拐角，然后返回N个最佳拐角。

在下面的示例中，我们将尝试找到25个最佳弯角：

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()


查看以下结果：

OpenCV-Python Shi-tomas拐角检测器和益于跟踪的特征 | 三十八_角点_02

此功能更适合跟踪。我们将看到使用它的时机

 ​