Shi-Tomasi Corner Detector dan Good Features to Track

Di tutorial sebelumnya kita telah membahas deteksi sudut menggunakan Deteksi Sudut dengan Harris Detector, kemudian di tahun 1994, J. Shi and C. Tomasi membuat sebuah modifikasi sedikit algoritma tersebut, didalam papernya Good Features to Track dimana menunjukan dengan hasil yang lebih baik dibandingkan Harris Corner Detector.




Fungsi penilaian Harris Corner Detector diberikan oleh :

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

Sebagi gantinya, Shi-TomasiĀ  mengusulkan :

R = min(\lambda_1, \lambda_2)

Jika itu lebih besar dari nilai threshold, itu akan di anggap sebagai sudut. Jika kita memplotnya \lambda_1 - \lambda_2 ruang seperti yang kita lakukan di Harris Corner Detector, kita akan mendapatkan gambar seperti di bawah ini :

Shi-Tomasi Corner Space

Dari gambar tersebut, Kita dapat melihat bahwa hanya ketika \lambda_1 dan \lambda_2 berada diatas nilai minimum, \lambda_{min} itu akan diartikan sebagai sudutnya ( Wilayah warna hijau ).

Code

OpenCV memiliki fungsi, cv2.goodFeaturesToTrack (). Fungsi tersebut menemukan N sudut terkuat dalam gambar dengan metode Shi-Tomasi (atau Deteksi Sudut Harris, jika Kita menentukannya). Seperti biasa, gambar harus berupa gambar grayscale.

 

Lihat hasilnya seperti video diatas.




Tinggalkan komentar

This site uses Akismet to reduce spam. Learn how your comment data is processed.