OPENCV_PYTHON官方文档学习_32.Shi-Tomasi 角点检测 & 适合于跟踪的图像特征

目标

本节我们将要学习：

• 另外一个角点检测技术：Shi-Tomasi 焦点检测

• 函数：cv2.goodFeatureToTrack()

原理

上一节我们学习了 Harris 角点检测，后来 1994 年，J.Shi 和 C.Tomasi在他们的文章《Good_Features_to_Track》中对这个算法做了一个小小的修改，并得到了更好的结果。我们知道 Harris 角点检测的打分公式为：

但 Shi-Tomasi 使用的打分函数为：

如果打分超过阈值，我们就认为它是一个角点。我们可以把它绘制到 λ1 ～ λ2 空间中，就会得到下图：

从这幅图中，我们可以看出来只有当 λ1 和 λ2 都大于最小值时，才被认为是角点（绿色区域）。

代码

OpenCV 提供了函数：cv2.goodFeaturesToTrack()。这个函数可以帮我们使用 Shi-Tomasi 方法获取图像中 N 个最好的角点（如果你愿意的话，也可以通过改变参数来使用 Harris 角点检测算法）。通常情况下，输入的应该是灰度图像。然后确定你想要检测到的角点数目。再设置角点的质量水平，0 到 1 之间。它代表了角点的最低质量，低于这个数的所有角点都会被忽略。最后在设置两个角点之间的最短欧式距离。

根据这些信息，函数就能在图像上找到角点。所有低于质量水平的角点都会被忽略。然后再把合格角点按角点质量进行降序排列。函数会采用角点质量最高的那个角点（排序后的第一个），然后将它附近（最小距离之内）的角点都删掉。按着这样的方式最后返回 N 个最佳角点。

在下面的例子中，我们试着找出 25 个最佳角点：

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('simple.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(gray,25,0.01,10) # 返回的结果是 [[ 311., 250.]] 两层括号的数组。
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()

结果如下：

我们以后会发现这个函数很适合在目标跟踪中使用。