目标 在本章中，我们将学习另一种角点检测器：Shi-Tomasi角点检测器，并且探索函数cv.goodFeaturesToTrack()的使用方法。

理论 在上一章中，我们学习了Harris角点检测器。后来，在1994年，石屹和托马斯对其进行了一些小的修改，提出了《Good Features to Track》这篇论文，相比于Harris角点检测器，这种方法表现更佳。Harris角点检测器中的评分函数如下：

R = λ1λ2 - k(λ1 + λ2)²

与此相反，Shi-Tomasi 提出了：

R = min(λ1, λ2)

如果 R 大于某个阈值，则将其视为角点。如果我们像在 Harris 角点检测器中那样在 λ1-λ2 空间中绘制它，我们将得到如下图像：

 

从图中可以看出，只有当λ1和λ2都高于最小值λmin时，才会被视为角点（绿色区域）。

代码

OpenCV提供了一个函数：cv.goodFeaturesToTrack()。它通过Shi-Tomasi方法（或者指定的Harris角点检测）在图像中找到N个最强的角点。和往常一样，图像应该是灰度图像。然后您需要指定要查找的角点数。接着，您需要指定质量水平，这是一个介于0-1之间的值，表示低于该角点