2019-8-28 opencv特征检测和描述3-Shi-Tomasi角点检测（适合跟踪的图像特征）

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
在这里插入图片描述

在图中可以发现，只有当λ₁和λ₂都大于最小值λ_min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
在这里插入图片描述
我们会发现这个函数很适合在目标跟踪中使用。

来源：https://blog.csdn.net/weixin_42555985/article/details/100112353

标签

角点

OpenCV

lambda