【opencv】教程代码 —TrackingMotion 角点检测

这篇具有很好参考价值的文章主要介绍了【opencv】教程代码 —TrackingMotion 角点检测。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

  • 角点检测

  • 执行角点检测并在可能的角点周围画一个圆

  • 对图像中的角点位置进行检测和细化

  • Shi-Tomasi方法检测图像角点

1. cornerDetector_Demo.cpp 角点检测

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

/**
 * @function cornerDetector_Demo.cpp
 * @brief Demo code for detecting corners using OpenCV built-in functions
 * 使用 OpenCV 内置函数进行角点检测的示例代码
 * @author OpenCV team
 */


#include "opencv2/highgui.hpp" // 包含OpenCV图形界面高级操作的头文件
#include "opencv2/imgproc.hpp" // 包含OpenCV图像处理的头文件
#include <iostream> // 包含标准输入输出流的头文件


using namespace cv; // 使用cv命名空间
using namespace std; // 使用std命名空间


/// 全局变量定义
Mat src, src_gray; // 原图和转换为灰度图的图像
Mat myHarris_dst, myHarris_copy, Mc; // Harris算法结果、副本和M矩阵
Mat myShiTomasi_dst, myShiTomasi_copy; // Shi-Tomasi算法结果和副本


int myShiTomasi_qualityLevel = 50; // Shi-Tomasi算法质量等级
int myHarris_qualityLevel = 50; // Harris算法质量等级
int max_qualityLevel = 100; // 最大质量等级


double myHarris_minVal, myHarris_maxVal; // Harris算法最小和最大值
double myShiTomasi_minVal, myShiTomasi_maxVal; // Shi-Tomasi算法最小和最大值


RNG rng(12345); // 随机数生成器,用于产生颜色


const char* myHarris_window = "My Harris corner detector"; // Harris检测器窗口名称
const char* myShiTomasi_window = "My Shi Tomasi corner detector"; // Shi-Tomasi检测器窗口名称


/// 函数头定义
void myShiTomasi_function( int, void* ); // Shi-Tomasi算法函数
void myHarris_function( int, void* ); // Harris算法函数


/**
 * @function main
 */
int main( int argc, char** argv )
{
    /// 加载源图像并将其转换为灰度图
    CommandLineParser parser( argc, argv, "{@input | building.jpg | input image}" );
    src = imread( samples::findFile( parser.get<String>( "@input" ) ) );
    if ( src.empty() )
    {
        cout << "Could not open or find the image!\n" << endl;
        cout << "Usage: " << argv[0] << " <Input image>" << endl;
        return -1;
    }
    cvtColor( src, src_gray, COLOR_BGR2GRAY );


    /// 设置一些参数
    int blockSize = 3, apertureSize = 3; // 定义Harris矩阵和Shi-Tomasi矩阵的块大小和孔径大小


    /// 使用cornerEigenValsAndVecs计算Harris矩阵
    cornerEigenValsAndVecs( src_gray, myHarris_dst, blockSize, apertureSize );
    
    /* 计算 Harris 响应函数Mc */
    Mc = Mat( src_gray.size(), CV_32FC1 ); // 初始化Mc矩阵,大小与灰度图一致
    for( int i = 0; i < src_gray.rows; i++ ) // 遍历图像的每一行
    {
        for( int j = 0; j < src_gray.cols; j++ ) // 遍历图像的每一列
        {
            float lambda_1 = myHarris_dst.at<Vec6f>(i, j)[0]; // 获取第一个特征值lambda_1
            float lambda_2 = myHarris_dst.at<Vec6f>(i, j)[1]; // 获取第二个特征值lambda_2
            Mc.at<float>(i, j) = lambda_1*lambda_2 - 0.04f * ((lambda_1 + lambda_2) * (lambda_1 + lambda_2)); // 计算Mc中每个像素的Harris响应值
        }
    }
    
    minMaxLoc( Mc, &myHarris_minVal, &myHarris_maxVal ); // 寻找Mc中的最小值和最大值
    
    /* 创建窗口和滑动条 */
    namedWindow( myHarris_window ); // 创建一个名为"My Harris corner detector"的窗口
    createTrackbar( "Quality Level:", myHarris_window, &myHarris_qualityLevel, max_qualityLevel, myHarris_function ); // 创建一个滑动条以调整Harris检测器的质量等级
    myHarris_function( 0, 0 ); // 调用Harris检测器函数
    
    /// 使用cornerMinEigenVal计算Shi-Tomasi矩阵
    cornerMinEigenVal( src_gray, myShiTomasi_dst, blockSize, apertureSize ); // 直接计算灰度图的Shi-Tomasi响应值
    
    minMaxLoc( myShiTomasi_dst, &myShiTomasi_minVal, &myShiTomasi_maxVal ); // 寻找Shi-Tomasi响应值矩阵中的最小值和最大值
    
    /* 创建窗口和滑动条 */
    namedWindow( myShiTomasi_window ); // 创建一个名为"My Shi Tomasi corner detector"的窗口
    createTrackbar( "Quality Level:", myShiTomasi_window, &myShiTomasi_qualityLevel, max_qualityLevel, myShiTomasi_function ); // 创建一个滑动条以调整Shi-Tomasi检测器的质量等级
    myShiTomasi_function( 0, 0 ); // 调用Shi-Tomasi检测器函数
    
    waitKey();
    return 0;
}


/**
 * @function myShiTomasi_function
 */
void myShiTomasi_function( int, void* )
{
    myShiTomasi_copy = src.clone(); // 克隆原图用于绘制
    myShiTomasi_qualityLevel = MAX(myShiTomasi_qualityLevel, 1); // 确保质量等级至少为1


    // 遍历图像每个像素
    for( int i = 0; i < src_gray.rows; i++ )
    {
        for( int j = 0; j < src_gray.cols; j++ )
        {
            // 依据质量等级,判断并绘制角点
            if( myShiTomasi_dst.at<float>(i,j) > myShiTomasi_minVal + ( myShiTomasi_maxVal - myShiTomasi_minVal )*myShiTomasi_qualityLevel/max_qualityLevel )
            {
                circle( myShiTomasi_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
            }
        }
    }
    imshow( myShiTomasi_window, myShiTomasi_copy ); // 显示结果
}


/**
 * @function myHarris_function
 */
void myHarris_function( int, void* )
{
    myHarris_copy = src.clone(); // 克隆原图用于绘制
    myHarris_qualityLevel = MAX(myHarris_qualityLevel, 1); // 确保质量等级至少为1


    // 遍历图像每个像素
    for( int i = 0; i < src_gray.rows; i++ )
    {
        for( int j = 0; j < src_gray.cols; j++ )
        {
            // 依据质量等级,判断并绘制角点
            if( Mc.at<float>(i,j) > myHarris_minVal + ( myHarris_maxVal - myHarris_minVal )*myHarris_qualityLevel/max_qualityLevel )
            {
                circle( myHarris_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
            }
        }
    }
    imshow( myHarris_window, myHarris_copy ); // 显示结果
}

这段代码是一个用于检测图像中角点的完整示例程序,使用了OpenCV库。它实现了两种角点检测方法:Harris角点检测和Shi-Tomasi角点检测。代码首先读取图像,然后将其转换为灰度图以进行处理。接下来分别计算两种方法的角点响应函数,并创建滑动条以调整检测角点的质量等级。通过滑动条调整后,程序会根据计算出的响应值和用户设定的质量等级绘制出角点。最后显示处理后带有标记角点的图像。

cornerEigenValsAndVecs(src_gray, myHarris_dst, blockSize, apertureSize);

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

cornerMinEigenVal(src_gray, myShiTomasi_dst, blockSize, apertureSize);

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

if( myShiTomasi_dst.at<float>(i,j) > myShiTomasi_minVal + ( myShiTomasi_maxVal - myShiTomasi_minVal )*myShiTomasi_qualityLevel/max_qualityLevel )
{
    circle( myShiTomasi_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
}

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

2. cornerHarris_Demo.cpp执行角点检测并在可能的角点周围画一个圆

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

该代码是一个使用Harris-Stephens方法进行角点检测的演示程序。主要实现以下功能:

  1. 读取一张图片,并将其转换为灰度图像。

  2. 创建一个窗口和一个滑动条以调整Harris角点检测的阈值。

  3. 使用Harris-Stephens角点检测算法检测图像角点。

  4. 检测到角点后,在图像上绘制圆形以标记这些角点。

  5. 在两个窗口中分别显示原始图像和检测到角点后的图像。

/**
 * @function cornerHarris_Demo.cpp
 * @brief Demo code for detecting corners using Harris-Stephens method
 * @author OpenCV team
 */


#include "opencv2/highgui.hpp" // 包含OpenCV图形界面头文件
#include "opencv2/imgproc.hpp" // 包含OpenCV图像处理头文件
#include <iostream> // 包含标准输入输出流头文件


using namespace cv; // 使用cv命名空间,省去cv::前缀
using namespace std; // 使用std命名空间,省去std::前缀


/// Global variables
Mat src, src_gray; // 声明全局变量src和src_gray,存储原始图像和灰度图像
int thresh = 200; // 声明全局变量thresh,定义Harris角点检测阈值
int max_thresh = 255; // 定义最大阈值


const char* source_window = "Source image"; // 窗口名称常量,原图窗口
const char* corners_window = "Corners detected"; // 窗口名称常量,角点检测结果窗口


/// Function header
void cornerHarris_demo( int, void* ); // 声明函数cornerHarris_demo


/**
 * @function main
 */
int main( int argc, char** argv )
{
    /// Load source image and convert it to gray
    CommandLineParser parser( argc, argv, "{@input | building.jpg | input image}" ); // 解析命令行参数
    src = imread( samples::findFile( parser.get<String>( "@input" ) ) ); // 读取图像文件
    if ( src.empty() )
    {
        cout << "Could not open or find the image!\n" << endl; // 如果图像为空,输出错误信息
        cout << "Usage: " << argv[0] << " <Input image>" << endl; // 提示使用方法
        return -1; // 返回错误代码,终止程序
    }
    cvtColor( src, src_gray, COLOR_BGR2GRAY ); // 将原图像转换为灰度图像


    /// Create a window and a trackbar
    namedWindow( source_window ); // 创建一个窗口
    createTrackbar( "Threshold: ", source_window, &thresh, max_thresh, cornerHarris_demo ); // 创建一个滑动条
    imshow( source_window, src ); // 在窗口中显示原图像


    cornerHarris_demo( 0, 0 ); // 调用cornerHarris_demo函数,执行角点检测


    waitKey(); // 等待按键事件
    return 0; // 正常结束程序
}


/**
 * @function cornerHarris_demo
 * @brief Executes the corner detection and draw a circle around the possible corners
 */
void cornerHarris_demo( int, void* )
{
    /// Detector parameters
    int blockSize = 2; // 角点检测中块的大小
    int apertureSize = 3; // Sobel算子的孔径大小
    double k = 0.04; // Harris角点检测方程中的自由参数
    
    /// Detecting corners
    Mat dst = Mat::zeros( src.size(), CV_32FC1 ); // 创建一个和原图像同样大小的矩阵,初始值为0
    cornerHarris( src_gray, dst, blockSize, apertureSize, k ); // 执行Harris角点检测


    /// Normalizing
    Mat dst_norm, dst_norm_scaled; // 声明两个Mat类型变量,存储正规化后的图像和转换为8位的图像
    normalize( dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1, Mat() ); // 正规化处理
    convertScaleAbs( dst_norm, dst_norm_scaled ); // 将正规化后的图像转换为8位


    /// Drawing a circle around corners
    for( int i = 0; i < dst_norm.rows ; i++ )
    {
        for( int j = 0; j < dst_norm.cols; j++ )
        {
            if( (int) dst_norm.at<float>(i,j) > thresh ) // 判断是否为角点
            {
                circle( dst_norm_scaled, Point(j,i), 5,  Scalar(0), 2, 8, 0 ); // 在检测到的角点位置绘制圆圈
            }
        }
    }


    /// Showing the result
    namedWindow( corners_window ); // 创建一个新窗口以显示结果
    imshow( corners_window, dst_norm_scaled ); // 显示结果图像
}

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

convertScaleAbs( dst_norm, dst_norm_scaled );

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

3. cornerSubPix_Demo.cpp对图像中的角点位置进行检测和细化

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

/**
 * @function cornerSubPix_Demo.cpp
 * @brief Demo code for refining corner locations
 * @author OpenCV team
 */


#include "opencv2/highgui.hpp" // 包含OpenCV图形界面高级操作头文件
#include "opencv2/imgproc.hpp" // 包含OpenCV图像处理头文件
#include <iostream> // 包含标准输入输出流头文件


using namespace cv; // 使用命名空间cv,避免每次调用OpenCV函数时都要加cv::前缀
using namespace std; // 使用命名空间std,避免每次调用标准库函数时都要加std::前缀


/// 全局变量定义区域
Mat src, src_gray; // 定义源图像和灰度图像


int maxCorners = 10; // 最大角点数量初始化为10
int maxTrackbar = 25; // 轨迹条的最大值为25


RNG rng(12345); // 随机数生成器,种子为12345
const char* source_window = "Image"; // 显示窗口的名称


/// 函数头声明
void goodFeaturesToTrack_Demo( int, void* );


/**
 * @function main
 */
int main( int argc, char** argv )
{
    /// 读取源图像并转换成灰度图像
    CommandLineParser parser( argc, argv, "{@input | pic3.png | input image}" ); // 解析命令行参数
    src = imread( samples::findFile( parser.get<String>( "@input" ) ) ); // 读取图片文件
    if( src.empty() ) // 如果读取失败,则输出错误信息并返回-1
    {
        cout << "Could not open or find the image!\n" << endl;
        cout << "Usage: " << argv[0] << " <Input image>" << endl;
        return -1;
    }
    cvtColor( src, src_gray, COLOR_BGR2GRAY ); // 把源图像转换为灰度图像


    /// 创建窗口
    namedWindow( source_window );


    /// 创建轨迹条以设置角点数量
    createTrackbar( "Max corners:", source_window, &maxCorners, maxTrackbar, goodFeaturesToTrack_Demo );


    imshow( source_window, src ); // 显示源图像


    goodFeaturesToTrack_Demo( 0, 0 ); // 调用角点检测函数


    waitKey(); // 等待键盘事件
    return 0;
}


/**
 * @function goodFeaturesToTrack_Demo.cpp
 * @brief Apply Shi-Tomasi corner detector
 */
void goodFeaturesToTrack_Demo( int, void* )
{
    /// Shi-Tomasi算法的参数设定
    maxCorners = MAX(maxCorners, 1); // 确保角点的数量至少为1
    vector<Point2f> corners; // 角点集合
    double qualityLevel = 0.01; // 角点检测可接受的最小特征值
    double minDistance = 10; // 角点之间的最小距离
    int blockSize = 3, gradientSize = 3; // 块大小和梯度大小
    bool useHarrisDetector = false; // 是否使用哈里斯角点检测器
    double k = 0.04; // 哈里斯角点检测器的自由参数


    /// 复制源图像
    Mat copy = src.clone();


    /// 应用角点检测
    goodFeaturesToTrack( src_gray,
                         corners,
                         maxCorners,
                         qualityLevel,
                         minDistance,
                         Mat(),
                         blockSize,
                         gradientSize,
                         useHarrisDetector,
                         k );




    /// 绘制检测到的角点
    cout << "** Number of corners detected: " << corners.size() << endl;
    int radius = 4; // 绘制的圆形角点的半径
    for( size_t i = 0; i < corners.size(); i++ ) // 遍历所有检测到的角点
    {
        // 绘制圆形角点,颜色随机
        circle( copy, corners[i], radius, Scalar(rng.uniform(0,255), rng.uniform(0, 256), rng.uniform(0, 256)), FILLED );
    }


    /// 显示结果
    namedWindow( source_window );
    imshow( source_window, copy ); // 显示含有角点的图像


    /// 设置细化角点所需的参数
    Size winSize = Size( 5, 5 ); // 搜索窗口的大小
    Size zeroZone = Size( -1, -1 ); // 死区的大小
    TermCriteria criteria = TermCriteria( TermCriteria::EPS + TermCriteria::COUNT, 40, 0.001 ); // 终止迭代的条件


    /// 计算细化后的角点位置
    cornerSubPix( src_gray, corners, winSize, zeroZone, criteria );


    /// 输出细化后的角点位置
    for( size_t i = 0; i < corners.size(); i++ ) // 遍历细化后的角点集
    {
        // 打印每个细化后的角点坐标
        cout << " -- Refined Corner [" << i << "]  (" << corners[i].x << "," << corners[i].y << ")" << endl;
    }
}

该代码是OpenCV的一个演示程序,用于展示如何对图像中的角点位置进行检测和细化。代码首先读取图像并转换成灰度图像,然后创建一个窗口并添加一个轨迹条来设置角点的最大数量。通过Shi-Tomasi角点检测函数goodFeaturesToTrack来检测图像中的角点。之后,利用cornerSubPix函数对已检测到的角点进行位置细化。结果显示了检测到的角点的数量以及细化后的角点的位置。

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

cornerSubPix( src_gray, corners, winSize, zeroZone, criteria );

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

4. goodFeaturesToTrack_Demo.cpp  Shi-Tomasi方法检测图像角点

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

【opencv】教程代码 —TrackingMotion 角点检测,opencv,人工智能,计算机视觉

/**
 * @function goodFeaturesToTrack_Demo.cpp
 * @brief Demo code for detecting corners using Shi-Tomasi method
 * @author OpenCV team
 */


#include "opencv2/imgcodecs.hpp"  // 引入OpenCV图像编解码功能库
#include "opencv2/highgui.hpp"     // 引入OpenCV的高级GUI功能库
#include "opencv2/imgproc.hpp"     // 引入OpenCV图像处理功能库
#include <iostream>                // 引入输入输出流库


using namespace cv;               // 使用OpenCV命名空间
using namespace std;              // 使用标准命名空间


/// Global variables
Mat src, src_gray;  // 定义原图像及其灰度图像的全局变量


int maxCorners = 23;               // 定义检测到的最大角点数量
int maxTrackbar = 100;             // 跟踪条的最大值


RNG rng(12345);                    // 定义随机数生成器,用于画图时颜色的随机
const char* source_window = "Image";  // 定义用于显示图像的窗口名


/// Function header
void goodFeaturesToTrack_Demo( int, void* );  // 声明检测角点的函数原型


/**
 * @function main
 */
int main( int argc, char** argv )
{
    /// Load source image and convert it to gray
    CommandLineParser parser( argc, argv, "{@input | pic3.png | input image}" );  // 解析命令行参数
    src = imread( samples::findFile( parser.get<String>( "@input" ) ) );  // 读取图片文件
    if( src.empty() )
    {
        cout << "Could not open or find the image!\n" << endl;  // 如果图片为空,打印错误信息
        cout << "Usage: " << argv[0] << " <Input image>" << endl;
        return -1;
    }
    cvtColor( src, src_gray, COLOR_BGR2GRAY );  // 将原图像转换为灰度图像


    /// Create Window
    namedWindow( source_window );  // 创建一个窗口


    /// Create Trackbar to set the number of corners
    createTrackbar( "Max corners:", source_window, &maxCorners, maxTrackbar, goodFeaturesToTrack_Demo );  // 创建一个跟踪条以调整角点的最大数量


    imshow( source_window, src );  // 显示源图像


    goodFeaturesToTrack_Demo( 0, 0 );  // 调用goodFeaturesToTrack_Demo函数


    waitKey();  // 等待按键事件
    return 0;
}


/**
 * @function goodFeaturesToTrack_Demo.cpp
 * @brief Apply Shi-Tomasi corner detector
 */
void goodFeaturesToTrack_Demo( int, void* )
{
    /// Parameters for Shi-Tomasi algorithm
    maxCorners = MAX(maxCorners, 1);  // 确保角点数至少为1
    vector<Point2f> corners;  // 定义角点集合
    double qualityLevel = 0.01;  // 定义角点检测的质量水平
    double minDistance = 10;     // 角点之间的最小距离
    int blockSize = 3, gradientSize = 3;  // 定义块大小和梯度大小
    bool useHarrisDetector = false;  // 是否使用Harris角点检测器
    double k = 0.04;  // Harris检测器的自由参数


    /// Copy the source image
    Mat copy = src.clone();  // 复制源图像


    /// Apply corner detection
    goodFeaturesToTrack( src_gray,  // 输入图像
                         corners,  // 输出角点集合
                         maxCorners,  // 角点的最大数量
                         qualityLevel,  // 角点检测的质量水平
                         minDistance,  // 角点之间的最小距离
                         Mat(),  // 蒙版,为空代表不使用
                         blockSize,  // 块大小
                         gradientSize,  // 梯度大小
                         useHarrisDetector,  // 是否使用Harris检测器
                         k );  // Harris检测器的参数


    /// Draw corners detected
    cout << "** Number of corners detected: " << corners.size() << endl;  // 打印检测到的角点数量
    int radius = 4;  // 角点绘制的圆半径
    for( size_t i = 0; i < corners.size(); i++ )
    {
        circle( copy, corners[i], radius, Scalar(rng.uniform(0,255), rng.uniform(0, 256), rng.uniform(0, 256)), FILLED );  // 在图像上绘制检测到的角点
    }


    /// Show what you got
    namedWindow( source_window );  // 创建窗口
    imshow( source_window, copy );  // 显示含有角点的图像
}

此代码是使用C++语言和OpenCV库编写的角点检测示例程序。它可以加载一个图像文件,将其转换为灰度图,然后使用Shi-Tomasi角点检测方法检测图像中的角点。程序通过一个可调的跟踪条允许用户设置最大角点数,并在图像中显示检测到的角点数量。检测到的角点会以彩色圆圈标出并展示在一个新窗口中。这个示例程序适用于那些想要学习如何使用OpenCV进行基本角点检测的开发者。文章来源地址https://www.toymoban.com/news/detail-854614.html

到了这里,关于【opencv】教程代码 —TrackingMotion 角点检测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • opencv学习-几种角点检测方法

    角点通常被定义为两条边的交点,或者说,角点的局部邻域应该具有两个不同区域的不同方向的边界。角点检测(Corner Detection)是计算机视觉系统中获取图像特征的一种方法,广泛应用于运动检测、图像匹配、视频跟踪、三维重建和目标识别等,也可称为特征点检测。 目前,角

    2024年02月12日
    浏览(38)
  • Python Opencv实践 - Harris角点检测

    参考资料:https://blog.csdn.net/wsp_1138886114/article/details/90415190  

    2024年02月09日
    浏览(46)
  • openCV 第四篇 角点检测、图像特征、图片拼接

    本文原本打算直接简单介绍一下harris和sift,之后进行特征匹配,来一波图像拼接。 想来想去还是先介绍下原理吧,虽然没人看QAQ。可以直接点击右侧目录跳转到代码区。 角点检测  和  图像特征提取(就几行代码) 以及进行图像拼接代码,来完成如下操作: 上图我们可以清楚

    2024年01月17日
    浏览(53)
  • OpenCV实现FAST算法角点检测 、ORB算法特征点检测

    目录 1 Fast算法 1.1 Fast算法原理 1.2  实现办法 1.2.1  机器学习的角点检测器 1.2.2  非极大值抑制 1.3  代码实现 1.4  结果展示 2 ,ORB算法 2.1代码实现 2.2 结果展示 FAST算法角点检测原理: FAST算法(Features from Accelerated Segment Test)是一种快速的角点检测算法,用于检测图像中的关

    2024年02月03日
    浏览(46)
  • OpenCV:深入Feature2D组件——角点检测

    在图像处理和计算机视觉领域,兴趣点,也被成作关键点、特征点。它被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图,而是选择某些特殊的点,然后对他们进行局部有的放矢地分析。如果能检测到足够多的这种点

    2024年02月12日
    浏览(39)
  • Python Opencv实践 - Shi-Tomasi角点检测

    参考资料:Harris和Shi-tomasi角点检测笔记(详细推导)_harris焦点检测_亦枫Leonlew的博客-CSDN博客  cv.goodFeaturesToTrack:Shi-Tomasi角点检测-OpenCV-python_独憩的博客-CSDN博客  

    2024年02月09日
    浏览(38)
  • opencv进阶14-Harris角点检测-cv2.cornerHarris

    类似于人的眼睛和大脑,OpenCV可以检测图像的主要特征并将这 些特征提取到所谓的图像描述符中。然后,可以将这些特征作为数据 库,支持基于图像的搜索。此外,我们可以使用关键点将图像拼接起 来,组成更大的图像。(想象一下把很多图片放到一起组成一幅360°的全景

    2024年02月11日
    浏览(88)
  • 【OpenCV】ChArUco标定板角点的检测Detection of ChArUco Corners

    opencv3.4.15源文档链接: link ArUco标记和板的快速检测和多功能性是非常有用的。然而,ArUco标定板的一个问题是,即使应用亚像素细化,其角点位置的精度也不是太高。相反,棋盘图案的角可以更精确地细化,因为每个角都被两个黑色方块包围。然而,寻找一个棋盘图案不像寻

    2024年02月15日
    浏览(46)
  • Opencv中goodFeaturesToTrack函数(Harris角点、Shi-Tomasi角点检测)算子速度的进一步优化(1920*1080测试图11ms处理完成)。

    搜索到某个效果很好的视频去燥的算法,感觉效果比较牛逼,就是速度比较慢,如果能做到实时,那还是很有实用价值的。于是盲目的选择了这个课题,遇到的第一个函数就是角点检测,大概六七年用过C#实现过Harris角点以及SUSAN角点。因此相关的理论还是有所了解的,不过那

    2024年02月06日
    浏览(52)
  • 人工智能-OpenCV+Python实现人脸识别(人脸检测)

    在OpenCV中使用Haar特征检测人脸,那么需要使用OpenCV提供的xml文件(级联表)在haarcascades目录下。这张级联表有一个训练好的AdaBoost训练集。首先要采用样本的Haar特征训练分类器,从而得到一个级联的AdaBoost分类器。Haar特征值反映了图像的灰度变化情况。例如:脸部的一些特征

    2024年02月06日
    浏览(104)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包