目的

本章では、

もう1つのコーナー検出器である Shi-Tomasi コーナー検出器について学ぶ
次の関数を扱う: cv.goodFeaturesToTrack()

理論

前章では Harris コーナー検出器を見た。その後1994年に、J. Shi と C. Tomasi は論文 Good Features to Track の中でそれに小さな変更を加え、Harris コーナー検出器と比べてより良い結果を示した。Harris コーナー検出器におけるスコア関数は次のように与えられていた:

\[R = \lambda_1 \lambda_2 - k(\lambda_1+\lambda_2)^2\]

その代わりに、Shi-Tomasi は次を提案した:

\[R = \min(\lambda_1, \lambda_2)\]

これがしきい値より大きければ、コーナーとみなされる。Harris コーナー検出器で行ったように \(\lambda_1 - \lambda_2\) 空間にプロットすると、以下のような画像が得られる:

image

図から分かるように、\(\lambda_1\) と \(\lambda_2\) がともに最小値 \(\lambda_{\min}\) を超えている場合に限り、コーナー（緑の領域）とみなされる。

コード

OpenCV には cv.goodFeaturesToTrack() という関数がある。これは Shi-Tomasi 法（あるいは指定すれば Harris コーナー検出）によって画像内の最も強い N 個のコーナーを見つける。通例どおり、画像はグレースケール画像でなければならない。次に、見つけたいコーナーの数を指定する。続いて品質レベルを指定する。これは 0〜1 の値で、コーナーの最低品質を表し、これを下回るものはすべて棄却される。最後に、検出されるコーナー間の最小ユークリッド距離を指定する。

これらの情報をすべて使って、関数は画像中のコーナーを見つける。品質レベルを下回るコーナーはすべて棄却される。次に、残ったコーナーを品質に基づいて降順にソートする。続いて、関数は最初の最も強いコーナーを取り、最小距離の範囲内にある近傍のコーナーをすべて破棄し、最も強いN個のコーナーを返す。

以下の例では、最良の25個のコーナーを見つけてみる:

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
 
img = cv.imread('blox.jpg')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
 
corners = cv.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.int0(corners)
 
for i in corners:
    x,y = i.ravel()
 cv.circle(img,(x,y),3,255,-1)
 
plt.imshow(img),plt.show()

以下の結果を参照のこと。

image

この関数はトラッキングにより適している。それについては時が来たときに見ていく。