5_3_Shi-Tomasi拐角探测器和良好的跟踪功能 - OpenCV中文官方文档
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:
取而代之的是,史托马西提出:
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−λ2λ1−λ2空间中绘制它,则会得到如下图像:
从图中可以看到,只有当λ1和λ2大于最小值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。
- 图像应该是灰度图像。
- 指定要查找的角数。
- 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。- 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。
- 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:
此功能更适合跟踪。我们将看到使用它的时机