目标
本节将要学习：
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。已知 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，就会认为它是一个角点。 可以把它绘制到 λ 1 ～λ 2 空间中，就会得到下图：
从这幅图中可以看出来只有当 λ 1 和 λ 2 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() 。
这个函数可以帮助使用 Shi-Tomasi 方法获取图像中 N 个最好的角点（如果愿意的话，187
www.linuxidc.com
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，试着找出 25 个最佳角点：
In [1]:
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('img6.png')
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.imshow(img)
/tmp/ipykernel_9129/1334170457.py:9: DeprecationWarning: `np.int0` is a deprecated alias for `np.intp`. (Deprecated NumPy 1.24) corners = np.int0(corners)
Out[1]:
<matplotlib.image.AxesImage at 0x7fa8beceaf10>
以后将会发现这个函数很适合在目标跟踪中使用。