在上一个教程中，我们看到了Harris Corner Detector。1994年下半年，J。Shi和C. Tomasi在他们的论文《有益于跟踪的特征》中做了一个小修改，与Harris Harris Detector相比，显示了更好的结果。哈里斯角落探测器由下式给出：
取而代之的是，史托马西提出：
如果大于阈值，则将其视为拐角。如果像在Harris Corner Detector中那样在
空间中绘制它，则会得到如下图像：
从图中可以看出，只有当两个值都大于最小值时，才将其视为拐角，也就是绿色区域。
OpenCV中的Shi-Tomasi 角点检测
OpenCV 提供了 Shi-Tomasi 的函数： cv2.goodFeaturesToTrack()，来获取图像中前 N 个最好的角点。函数原型如下：
goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]])
其中的参数如下：
image：输入灰度图像，float32类型
maxCorners：返回角点的最大数目，值为0表表示没有设置最大值限制，返回所有检测到的角点。
qualityLevel：质量系数（小于1.0的正数，一般在0.01-0.1之间），表示可接受角点的最低质量水平。该系数乘以最好的角点分数（也就是上面较小的那个特征值），作为可接受的最小分数；例如，如果最好的角点分数值为1500且质量系数为0.01，那么所有质量分数小于15的角都将被忽略。
minDistance：角之间最小欧式距离，忽略小于此距离的点。
corners：输出角点坐标
mask：可选的感兴趣区域，指定想要检测角点的区域。
blockSize：默认为3，角点检测的邻域大小（窗口尺寸）
useHarrisDetector：用于指定角点检测的方法，如果是true则使用Harris角点检测，false则使用Shi Tomasi算法。默认为False。
k：默认为0.04，Harris角点检测时使用。
设定好这些参数，函数就能在图像上找到角点。所有低于质量水平的角点都会被忽略，然后再把合格角点按角点质量进行降序排列。
然后保留质量最高的一个角点，将它附近（最小距离之内）的角点都删掉（类似于非极大值抑制），按这样的方式最后得到 N 个最佳角点。
我们使用图像进行试验：
现在我们来看代码：
# coding=utf-8
import cv2
import numpy as np
def shi_tomasi(img):
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#
第一个参数是输入图像
#
第二个参数是检测的角点数目
#
第三个参数是角点质量
#
第四个参数是角点间的最短距离
corners = cv2.goodFeaturesToTrack(gray, 300, 0.01, 10)
#
将浮点型数据转成
int
型，否则无法绘制
corners = np.int0(corners)
for i in corners:
#
将每一项拆开，在重新拼成一个元组
x, y = i.ravel()
#
在图上绘制角点，为了更好显示，设置半径为
2
cv2.circle(img, (x, y), 2, (0, 0, 255), 2)
cv2.imshow("shi-tomasi", img)
cv2.waitKey(0)
img = cv2.imread("test_1.jpg")
shi_tomasi(img)来看结果：
我们可以看到角点被检测出来，不过这幅图像干扰项太多，不方便检验，大家可以自己进行试验，Shi—Tomasi 角点检测更多的被用于进行目标追踪，不过在图像识别领域，仍然有比它更为强大的目标追踪算法。
结合上个教程，我们总结，Harris 和 Shi-Tomasi 都是基于梯度计算的角点检测方法，Shi-Tomasi 的效果要好一些。基于梯度的检测方法有一些缺点: 计算复杂度高，图像中的噪声可以阻碍梯度计算，我们将在之后的教程中详述更好效果的检测算法。