Shi-Tomasi角点检测

前文中我们介绍了Harris角点检测，后来有人提出了它的改进版——Shi-Tomasi角点检测。
Harris角点检测中的响应$R$计算如下：$$R={\lambda }_1{\lambda }_2-k({\lambda }_1+{\lambda }_2{)}^2$$
k取值为0.04-0.07。由于Harris角点检测算法的稳定性和k值有关，而k是个经验值，不好设定最佳值。
Shi-Tomasi发现，角点的稳定性其实和较小的特征值有关，于是直接用较小的那个特征值作为分数，这样就与k无关。
Shi-Tomasi响应公式如下：$$R=min({\lambda }_1,{\lambda }_2)$$
如果该响应系数R大于设定的阈值，它就是一个角点。
具体的Opencv中涉及到的函数在此博客中查看。
C++实现的demo的代码如下：

void trackBar(int, void*);
int maxCorners = 0;
Mat src, dst;
int main()
{
    src = imread("bw.png");
    if (src.empty())
    {
        printf("can not load image \n");
        return -1;
    }
    imshow("input", src);
    cvtColor(src, dst, COLOR_BGR2GRAY);

    namedWindow("output");
    createTrackbar("MaxCorners:", "output", &maxCorners, 100, trackBar);
    waitKey();
    return 0;
}

void trackBar(int, void*)
{
    src = imread("bw.png");
    std::vector<Point2f> corners;
    goodFeaturesToTrack(dst, corners, maxCorners, 0.01, 10);
    for (int i = 0; i < corners.size(); i++)
    {
        circle(src, corners[i], 2, Scalar(0, 255, 255), 2);
    }
    imshow("output", src);
}