【opencv】教程代码 —TrackingMotion 角点检测

十年一梦实验室2024-04-06 8:10

  • 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

cpp 复制代码 
/**
 * @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);

cornerMinEigenVal(src_gray, myShiTomasi_dst, blockSize, apertureSize);

bash 复制代码 
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 );
}

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

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。

cpp 复制代码 
/**
 * @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
}

convertScaleAbs( dst_norm, dst_norm_scaled );

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

cpp 复制代码 
/**
 * @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。

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

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

cpp 复制代码 
/**
 * @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。

相关推荐
uncle_ll5 分钟前
PyTorch图像预处理：计算均值和方差以实现标准化
图像处理·人工智能·pytorch·均值算法·标准化
宋138102797205 分钟前
Manus Xsens Metagloves虚拟现实手套
人工智能·机器人·vr·动作捕捉
SEVEN-YEARS9 分钟前
深入理解TensorFlow中的形状处理函数
人工智能·python·tensorflow
世优科技虚拟人12 分钟前
AI、VR与空间计算：教育和文旅领域的数字转型力量
人工智能·vr·空间计算
cloud studio AI应用18 分钟前
腾讯云 AI 代码助手：产品研发过程的思考和方法论
人工智能·云计算·腾讯云
禁默30 分钟前
第六届机器人、智能控制与人工智能国际学术会议（RICAI 2024）
人工智能·机器人·智能控制
Robot25138 分钟前
浅谈，华为切入具身智能赛道
人工智能
只怕自己不够好42 分钟前
OpenCV 图像运算全解析：加法、位运算（与、异或）在图像处理中的奇妙应用
图像处理·人工智能·opencv
果冻人工智能2 小时前
2025 年将颠覆商业的 8 大 AI 应用场景
人工智能·ai员工
代码不行的搬运工2 小时前
神经网络12-Time-Series Transformer (TST)模型
人工智能·神经网络·transformer
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO07【目标跟踪】相机运动补偿08Unity中PICO实现 隔空取物 和 接触抓取物体09RAG 实践- Ollama+RagFlow 部署本地知识库10量化方法怎么选？如何评估量化后的大模型LLM？