初入SLAM（4）——Shi

初入SLAM（4）——Shi

Reference

.x/d4/d8c/tutorial_py_shi_tomasi.html

GO

在初入SLAM(1)——Harris角点检测中，我们详细介绍了Harris角点检测。现在是时候学习Shi-Tomasi了。
在（1）中，我们得到Harris的评分函数是 R = λ 1 λ 2 − k ( λ 1 + λ 2 ) 2 = det ⁡ ( M ) − k ( trace ⁡ ( M ) ) 2 R=lambda_1lambda_2-k(lambda_1+lambda_2)^2=operatorname{det}(M)-k(operatorname{trace}(M))^{2} R=λ1​λ2​−k(λ1​+λ2​)2=det(M)−k(trace(M))2
而对于Shi-Tomasi角点，就是将这个评分函数改为：
R = m i n ( λ 1 , λ 2 ) R=min(lambda_1,lambda_2) R=min(λ1​,λ2​)
如果大于阈值，则将其视为角点。

上图绿色部分， λ 1 和 λ 2 lambda_1和lambda_2 λ1​和λ2​都大于阈值，落在其中的点被认为是角点。

代码

# -*-coding:utf-8-*-
import copy
import numpy as np
import cv2filename = '1.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
original = cv2.imread(filename)
cv2.imshow('original', original)
corners = dFeaturesToTrack(gray, maxCorners=1000, qualityLevel=0.01, minDistance=10, useHarrisDetector=False)
corner_image = copy.deepcopy(original)
for i in corners:x,y = i.ravel()cv2.circle(corner_image, (x, y), 2, (0, 0, 255), -1)
cv2.imshow('out.jpg', corner_image)
cv2.waitKey(0)

我们只需要注意dFeaturesToTrack（）函数，当其中的useHarrisDetector为True，就是进行Harris角点检测，为False，就是进行Shi-Tomasi角点检测。