目標
在本章中，
- 我們將學習另一個拐角檢測器：Shi-Tomasi拐角檢測器
- 我們將看到以下函數：cv.goodFeaturesToTrack()
理論
在上一章中，我們看到了Harris Corner Detector。1994年下半年，J。Shi和C. Tomasi在他們的論文《有益於跟蹤的特徵》中做了一個小修改，與Harris Harris Detector相比，顯示了更好的結果。哈里斯角落探測器的計分功能由下式給出：
取而代之的是，史托馬西提出：
如果大於閾值，則將其視為拐角。如果像在Harris Corner Detector中那樣在$lambda1-lambda2$空間中繪製它，則會得到如下圖像：
從圖中可以看到，只有當λ_1和λ_2大於最小值λ_min時，才將其視為拐角（綠色區域）。
代碼
OpenCV有一個函數cv.goodFeaturesToTrack()。它通過Shi-Tomasi方法（或哈里斯角檢測，如果指定）找到圖像中的N個最強角。像往常一樣，圖像應該是灰度圖像。然後，指定要查找的角數。然後，您指定質量級別，該值是介於0-1之間的值，該值表示每個角落都被拒絕的最低拐角質量。然後，我們提供檢測到的角之間的最小歐式距離。利用所有這些信息，該功能可以找到圖像中的拐角。低於平均質量的所有拐角點均被拒絕。然後，它會根據質量以降序對剩餘的角進行排序。然後函數首先獲取最佳拐角，然後丟棄最小距離範圍內的所有附近拐角，然後返回N個最佳拐角。在下面的示例中，我們將嘗試找到25個最佳彎角：
<code>import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = 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()/<code>查看以下結果：
此功能更適合跟蹤。我們將看到使用它的時機
分享到:
閱讀更多 人工智能遇見磐創 的文章
