快捷導(dǎo)航

OpenCV特征提取與檢測之Shi-Tomasi角點檢測器

更新時間：2021年08月19日 11:23:03 作者：程序媛一枚~

在角點檢測的世界里哈瑞斯無疑是最重要的方法之一，但Shi-Tomasi作為改進的算法也有很大應(yīng)用場景,尤其是動態(tài)跟蹤用的還比較多,這篇文章主要給大家介紹了關(guān)于OpenCV特征提取與檢測之Shi-Tomasi角點檢測器的相關(guān)資料,需要的朋友可以參考下

前言

角點通常被定義為兩條邊的交點，或者說，角點的局部鄰域應(yīng)該具有兩個不同區(qū)域的不同方向的邊界。角點檢測(Corner Detection)是計算機視覺系統(tǒng)中獲取圖像特征的一種方法，廣泛應(yīng)用于運動檢測、圖像匹配、視頻跟蹤、三維重建和目標(biāo)識別等，也可稱為特征點檢測。

角點檢測算法的基本思想：

使用一個固定窗口在圖像上進行任意方向上的滑動，比較滑動前與滑動后兩種情況，窗口中的像素灰度變化程度，如果存在任意方向上的滑動，都有著較大灰度變化，那么我們可以認為該窗口中存在角點。

目前，角點檢測算法還不是十分完善，許多算法需要依賴大量的訓(xùn)練集和冗余數(shù)據(jù)來防止和減少錯誤的特征的出現(xiàn)。對于角點檢測算法的重要評價標(biāo)準(zhǔn)是：其對多幅圖像中相同或者相似特征的檢測能力，并且能夠應(yīng)對光照變化、或者圖像旋轉(zhuǎn)等影響。

關(guān)于角點的具體描述可以有幾種：

一階導(dǎo)數(shù)(即灰度的梯度)的局部最大所對應(yīng)的像素點；
兩條及兩條以上邊緣的交點；
圖像中梯度值和梯度方向的變化速率都很高的點；
角點處的一階導(dǎo)數(shù)最大，二階導(dǎo)數(shù)為零，指示物體邊緣變化不連續(xù)的方向

上一篇博客介紹了Harris角點檢測器，這篇博客將介紹另一個角點檢測器：Shi-Tomasi角點檢測器。

Shi-Tomasi角點檢測器是Harris角點檢測器的優(yōu)化，效果更好；

cv2.goodFeaturesToTrack()，通過Shi-Tomasi方法（或者Harris角點檢測）在圖像中找到N個最強的角點。并且在跟蹤對象方面性能很好。

1. 效果圖

原圖 VS Harris角點檢測器效果如下：

原圖 VS Shi-Tomasi角點檢測效果圖如下：

可以看出Shi-Tomasi確實效果要好一些，所有角點均被成功檢測；

2. 源碼

# Shi-Tomasi角點檢測是Harris角點檢測的優(yōu)化，更準(zhǔn)確，會檢測出N個最強角點；

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

img = cv2.imread('images/polygon.jpg')

plt.subplot(1, 2, 1)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.xticks([])
plt.yticks([])
plt.title("origin")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(gray, 25, 0.01, 10)
corners = np.int0(corners)

for i in corners:
    x, y = i.ravel()
    cv2.circle(img, (x, y), 3, 255, -1)

plt.subplot(1,2,2)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.xticks([])
plt.yticks([])
plt.title("Shi-Tomasi res")
plt.show()

參考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_shi_tomasi/py_shi_tomasi.html#shi-tomasi