17.OpenCV中的GFTTDetector类

文章目录

- GFTTDetector功能
- OpenCV中GFTTDetector类
- - reference

欢迎访问个人网络日志🌹🌹知行空间🌹🌹

这是使用imgproc.hpp中的goodFeaturesToTrack函数封装的类，其使用和goodFeaturesToTrack函数基本相似。

GFTTDetector功能

GFTTDetector类用来提取对线的角点特征，角点检测(Corner Detection)也称为特征点检测，是图像处理和计算机视觉中用来获取图像局部特征点的一类方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模以及目标识别等领域中。

最常用的角点检测算法有梯度直方图HOG,Haar特征和Haris角点检测，上面这三种在之前都介绍过，

1.Haar特征
2.梯度直方图HOG
3.HS角点检测

这些方法都是使用了图像中的局部信息提取了局部特征。

如同在HS角点检测中介绍的，图像灰度的变化可以分成3种情况:

在两个方向上灰度变化剧烈，角点
在单个方向上灰度变化剧烈，边
在两个方向上灰度变化都不大，平坦区域

如下图：

对于给定图像 $I (x, y)$ 上一个宽高为 $\times h$ 的patch窗口，计算该窗口平移一段微小距离时各个像素值差的平方和为：

$E(\mu,v)=\sum_x^w\sum_y^h\omega(x,y)[I(x+\mu, y+v)-I(x,y)]^2$

omega(x,y)是窗口函数，可以使用窗口中的像素均值或者使用高斯函数。

根据泰勒公式展开上式：

$I(x+\mu, y+v)\approx I(x,y)+I_x(x,y)\mu+I_y(x,y)v$

故，

$E(\mu,v)\approx[u,v]M(x, y)\begin{bmatrix} \mu\\ v \end{bmatrix}$

其中，

$y)=\begin{bmatrix} I_x^2 & I_xI_y\\ I_xI_y &I_y^2 \end{bmatrix} = \begin{bmatrix} A & C\\ C & B \end{bmatrix}$

从 $M (x, y)$ 的定义可以看到，对于角点有左右边沿或上下边沿组成， $I_x$ 或 $I_y$ 总有一个近似于0，因此对于角点有，

$y)=\begin{bmatrix} I_x^2 & 0\\ 0 &I_y^2 \end{bmatrix}$

这里考虑的是左右上下边沿与图像高宽平行组成的角点，对于旋转和缩放的角点需要单独讨论。

在判断是否为角点时，为了减少运算量，通常并不会计算M的特征值，而使用M的行列式和迹来计算：

$\alpha(trace(M))^2$

$\alpha$ 是一个经验常数，用来控制检测到角点的数量， $\alpha$ 值越小检测到的角点越多，相应的质量也会下降。

当 $I_x$ 和 $I_y$ 都很大时， $R$ 取较大正值，说明是角点
当 $I_x$ 与 $I_y$ 一大一小时， $R$ 取较大负值，说明是边
当 $I_x$ 与 $I_y$ 都很小时， $R$ 绝对值较小，说明是平坦区域

GFTTDetector中使用的是Shi-Tomasi 角点检测器，其直接使用 $R=min(I_x, I_y)$ 作为角点的度量，减少了超参数和运算量。

OpenCV中GFTTDetector类

调用GFTTDetector类中的静态函数create可以创建cv::Ptr<GFTTDetector>。

create函数参数为：


static Ptr<GFTTDetector> cv::GFTTDetector::create	(	int 	maxCorners = 1000,double 	qualityLevel = 0.01,double 	minDistance = 1,int 	blockSize = 3,bool 	useHarrisDetector = false,double 	k = 0.04 
)

maxCorners控制最多检测到的角点数量
qualityLevel控制角的质量水平，例如最好的是1500, qualityLevel为0.01,则quality measure小于1500*0.01的将被舍弃
minDistance角点之间的最小距离
blockSize计算梯度相关矩阵时使用的邻域大小
useHarrisDetector是否使用Harris角点检测
k,Harris角点检测的超参数

代码示例：

#include <memory>
#include <vector>
#include <opencv2/opencv.hpp>
#include <opencv2/features2d.hpp>class TestGFTTDetector
{public:typedef std::shared_ptr<TestGFTTDetector> Ptr;TestGFTTDetector();~TestGFTTDetector() = default;void compute(cv::Mat &image);private:cv::Ptr<cv::GFTTDetector> gftt_ptr_;std::vector<cv::KeyPoint> keypoints_;
};TestGFTTDetector::TestGFTTDetector()
{gftt_ptr_ = cv::GFTTDetector::create(1000, 0.1, 10);
}void TestGFTTDetector::compute(cv::Mat &image)
{   cv::Mat mask(image.size(), CV_8UC1, 255);gftt_ptr_->detect(image, keypoints_, mask);for(auto &kp : keypoints_) {cv::circle(image, kp.pt, 3, cv::Scalar(255, 0, 0));}std::cout << "keypoints_.size: " << keypoints_.size() << std::endl;cv::imshow("gftt_detector_result", image);cv::waitKey(0);cv::goodFeaturesToTrack()
}int main(int argc, char **argv)
{TestGFTTDetector::Ptr gftt = std::make_shared<TestGFTTDetector>();cv::Mat image = cv::imread(argv[1]);gftt->compute(image);return 0;
}