svo中的shi-tomas score

HelloElite HelloElite 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 807平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄14年
关注
原创 最新推荐文章于 2026-03-09 00:28:20 发布 807 阅读 AI 写同款· GEO 优化 ›
2.2ORBSLAM3之ORB、SIFT、SURF、Harris角点、Shi-Tomas角点特征点提取方法 本节对ORB特征、SIFT特征、SURF特征、Harris角点、Shi-Tomas角点的提取与描述子计算原理进行总结，其中Harris角点、Shi-Tomas角点是关键点，没有对应的描述子，一般用于光流跟踪(Vins系列算法)。 综合所有的特征检测算法来看，所有的方法本质上都是通过计算像素灰度梯度检测关键点位置，ORB特征通过与邻域像素进行灰度值比较得到，其余SIFT，SURF，Harris角点、Shi-Tomas角点均都涉及到一个Hessian矩阵(由离散像素二阶导得到)求解问题，根据Hessian矩阵 阅读详情

图像I中x处  的shi-tomas score 其实就是 I关于x的hessian矩阵的较小的特征值。


一般光流法中最小化的是光度误差（成像误差） argmin_x  |I(x)-J(p)|^2，

高斯牛顿法中   每次的更新步骤为J^t J dx = -res J  

而  shi-tomas score 为H=J^t J 的特征值中较小的那个。

（为啥该值越大说明跟踪效果越好（good feature to track）呢？）

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Harris与Shi-Tomasi 角点检测原理 Shi-Tomasi角点是根据Harris改进而来的。所以本文首先介绍Harris的原理。Harris角点检测算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。 阅读详情

相关推荐

Blender点云渲染实战：用Geometry Nodes快速搞定论文配图（附Cycles渲染技巧）

本文详细介绍了如何利用Blender的Geometry Nodes系统，高效地将三维点云数据转化为高质量的科研论文配图。通过实战步骤，从数据导入、节点化几何处理、材质赋予到Cycles渲染引擎的优化设置，手把手教你制作出专业、美观的可视化图像，助力科研成果展示。

hp777的博客 265

【SVO代码】（二）角点评分

SVO中FastDetector::detect()中再提取角点后，会使用shiTomasiScore()计算一下这个角点评分，这个得分越高，则特征越优先，那这个得分是怎么得到的呢？下面进行推导. harris角点 在介绍Shi-Tomasi之前需要了解下harris角点，这里只给出关键的点以便于后面理解. 自相关函数: c(x,y;Δx,Δy)=∑(u,v)∈W(x,y)w(u,v)(I...

陋室逢雨 1871

关于StartAI本地部署相关问题解答

很多小伙伴们都有接入自己本地SD的需求，对此小编整理了一些相关问题~

HDJ9387的博客 940

OpenCV（四十三）：Shi-Tomas角点检测

Shi-Tomasi（也称为Good Features to Track）角点检测算法是一种改进的角点检测方法，它基于Harris角点检测算法，并针对一些不足进行了改进。与Harris角点检测不同，Shi-Tomasi使用了更简化的角点响应函数。角点响应函数即为较小特征值。

weixin_63357306的博客 1579

PLS-PM with R 偏最小二乘路径建模 (R语言)

1. 引入 1.1. 安装plspm包 plspm 是一个用于执行偏最小二乘路径建模分析的 r 程序包。 在 CRAN 上可以免费下载: Http://cran.r-project.org/web/packages/plspm/index.html. 此后，通过以下代码在r中安装并加载该程序包即可。 install.packages("plspm") library("plspm") 2. 一些简单概念 2.1. 潜变量和观测变量 不少变量如满意度、成功指数是无法通过观测得到

Wowlittlemoon的博客 1万+

STM32超声波避障小车硬件设计与实时测距实现

超声波测距是嵌入式系统中经典的环境感知技术，其原理基于声波在空气中的传播时间与距离的线性关系，通过精确计时实现非接触式距离测量。该技术具备成本低、抗光干扰强、算法简洁等优势，广泛应用于智能小车、机器人避障、液位监测等场景。工程落地的关键在于硬件信号完整性（如5V/3.3V电平匹配）、微秒级定时精度（依赖高稳定外部晶振与输入捕获模式）以及强干扰环境下的数据鲁棒性（需软硬协同滤波）。本文以STM32F103C8T6为平台，深入解析HC-SR04模块的时序闭环控制、TIM3输入捕获双沿测量、L298N电机状态机驱

weixin_42578963的博客 295

【特征检测器】检测器

在具体实现时，该函数通过遍历score矩阵中每个点，确定了中心点(center)及它周围8个点(p1~p8)的坐标，并定位它们在角点网格中的位置(k)。如果得分高于其它点且大于当前角点的得分，则更新角点信息并加入到corners列表中，具体包括点的坐标、尺度（即金字塔层数，level）、得分、角度等信息，其中角度需要调用 getAngleAtPixelUsingHistogram() 函数计算。非最大抑制是计算机视觉中常用的技术，它可以帮助去掉图像中冗余的特征点，只保留最具代表性的特征点。

格物致知 789

WPS和Excel通用！省市区四级联动下拉菜单保姆级教程（附最新行政区划数据包）

本文详细介绍了在WPS和Excel中实现省市区四级联动下拉菜单的完整教程，包含2024年最新行政区划数据的获取与整理方法。通过名称管理器和INDIRECT函数的组合，以及WPS的特色功能，帮助用户高效准确地录入四级行政区划信息，提升数据录入效率并减少错误。

s1t2u3的博客 611

Shi-Tomas角点检测、亚像素级别角点位置优化、ORB特征点、特征点匹配、RANSAC优化特征点匹配、相机模型与投影

【代码】Shi-Tomas角点检测、亚像素级别角点位置优化、ORB特征点、特征点匹配、RANSAC优化特征点匹配、相机模型与投影。

qq_57594025的博客 1347

Altium Designer差分走线实战：从规则设置到阻抗匹配的完整流程

本文详细讲解了在Altium Designer中进行差分走线的完整实战流程，涵盖从原理图定义差分对、PCB布局管理、关键设计规则设置，到利用阻抗计算工具确定线宽与间距，以及布线技巧与等长处理等核心步骤。文章旨在帮助工程师掌握高速PCB设计中差分信号传输的关键技术，确保信号完整性并实现精确的阻抗匹配。

weixin_29163857的博客 257

PyTorch深度学习实战（36）——Pix2Pix详解与实现

Pix2Pix 是基于生成对抗网络的图像转换框架，能够将输入图像转换为与之对应的输出图像，能够广泛用于图像到图像转换的任务，如风格转换、图像修复、语义标签到图像的转换等。Pix2Pix 的核心思想是通过对抗训练将输入图像和目标输出图像进行配对，使生成网络可以学习到输入图像到输出图像的映射关系。在本节中，将学习使用 Pix2Pix 根据给定轮廓生成图像。

盼小辉丶的博客 1万+

【OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测

Shi-Tomas 算法是对 Harris角点检测算法的改进，一般会比Harris算法得到更好的角点。 OpenCV 中提供了 Shi-Tomas 角点检测函数 **cv.goodFeaturesToTrack**() 。通过 Shi-Tomasi 方法找出图像中最突出的 N 个角点。

youcans的博客 1794

基于FPGA设计的信号分析仪(项目资料ID:28)

基于现场可编程门阵列（FPGA）设计的信号分析仪。该信号分析仪旨在实现对各类信号的精确分析，具备频率、幅度、相位等参数测量功能。通过采用 FPGA 作为核心处理单元，充分利用其并行处理能力和可重构特性，提高了系统的处理速度和灵活性。论文介绍了信号分析仪的总体设计方案，包括硬件电路设计和软件算法实现。

以培养嵌入式工程师为己任 1万+

(四)OpenCV中的特征检测之Shi-Tomasi角落探测器和良好的特征跟踪

注释：本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials，包括对原文档种错误代码的纠正1.目标我们将了解一个边角探测器：Shi-Tomasi探测器学习这个函数：cv2.goodFeaturesToTrack()2.理论在上一章中，我们看到了Harris Corner边角探测器。1994年晚些时候，J. Shi and C. Tomasi在他们...

y=f(x)的专栏 670

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

Shi-Tomasi角点检测

Shi-Tomasi角点检测

qq_41596730的博客 964

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

通俗易懂-OpenCV角点检测算法（Harris、Shi-Tomas算法实现）

OpenCV角点检测算法（Harris、Shi-Tomas算法实现）

qq_53545309的博客 2299

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

SVO学习日记-3--2021.1.17

SVO-1-Feature.h–2021.1.16 Feature.h #ifndef SVO_FEATURE_H_ #define SVO_FEATURE_H_ #include <frame.h> namespace svo{ struct Feature{ EIGEN_MAKE_ALGINED_OPERATOR_NEW enum FeatureType{ CORNER, ENGELET }; Feature

qq_43303411的博客 408

传统CV算法——角点特征点提取匹配算法实战

harris角点 角点可以是两个边缘的角点； 角点是邻域内具有两个主方向的特征点； 角点通常被定义为两条边的交点，更严格的说，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。或者说，角点就是多条轮廓线之间的交点。 像素点附近区域像素无论是在梯度方向、还是在梯度幅值上都发生较大的变化。 一阶导数(即灰度的梯度)的局部最大所对应的像素点； 两条及两条以上边缘的交点； 图像中梯度值和梯度方向的变化速率都很高的点； 角点处的一阶导数最大，二阶导数为零，指示物体边缘变化不连续的方向。 import cv2 i

swpucwf的博客 5969

[图像识别]9.OpenCV的角点检测 Harris和Shi-tomas

OpenCV的角点检测 Harris和Shi-tomas。1.图像的角点特征。面特征和边缘特征比较大，无法唯一识别位置，角点特征能够唯一确定位置。一般认为角点和斑点都是较好的图像特征。 2.Harris角点检测 【1】原理：通过局部小窗口观察图像，如果沿着任意方向（u,v）灰度都会变化最大，则认为是角点。定义灰度差异总和E，角点检测就是使得E最大：3.Shi-tomas角点检测 【1】原理：Shi-tomas算法是对Harris算法的改进，只要λ1和λ2中最小特征值大于一个阈值则认为它是角点。

雾狼的游戏屋 754

Shi-tomasi角点检测python实现及基于opencv实现 （角点检测、非极大值抑制）

Shi-tomasi角点检测python实现及基于opencv实现（角点检测、非极大值抑制）

xiaohuolong的博客 2948

[角点特征]——Harris和Shi-Tomas算法

一、角点特征 1、图像特征 二、Harris角点检测 1、原理 Harris角点检测的思想是通过图像的局部的小窗口观察图像，角点的特征是窗口沿着任意方向移动都会导致图像灰度的明显变化，如下图所示： 其中 I(x,y)是局部窗口的图像灰度，I(x+u, y+v) 是平移后的图像灰度， w(x, y) 是窗口函数，可以是矩形窗口，也可以是对每一个像素赋予不同权重的高斯窗口，如下所示： 推导如下： 2、Harris计算方法 角点判断： 当R为大数值的正数时是角点 ...

weixin_42067873的博客 711

角点检测（Harris & Shi-Tomas）的原理及OpenCV API 的应用

角点检测（Harris & Shi-Tomas）的原理及OpenCV API 的应用 这篇博客的内容主要时对参考中多篇博客的总结。 1. 角点 在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。关于角点的具体描述可以有几种： 1). 一阶导数（即灰度的梯度）的局部最大所对应的像素点； 2). 两条及两条以上边缘的交点； 3). 图像中梯度值和梯度方向的变化速率都很高的点； 4).角点处的一阶导数最大，二阶导数为零，指示物体边缘变化不连续的方向。 从求解思路上可以分为

生命在于折腾！ 2301

SVO学习笔记（一）

SVO学习笔记（一）这篇文章Frame类如何改变文本的样式插入链接与图片生成一个适合你的列表KaTeX数学公式 这篇文章  一个懵懵懂懂的年轻人（可是都被叫叔叔了）开始了学习视觉SLAM中特别经典的SVO系统。本着好记性不如烂笔头，烂笔头不如内存卡，内存卡不如云端的良好思想，年轻人决定将自己对代码的理解放在优快云上。在帮助自己记忆的同时，也希望（还是要有这个梦想的）别人能够从中得到启发（怼我的启发也行，大家能共同进步就好）。  所谓一口吃不成胖子，啃代码也是一个道理。所以这次先记录Frame、Featur

Armergg的博客 2102

Shi-Tomas检测和SIFT角点匹配

Shi-Tomas角点检测与SFIT匹配 Harris 角点检测是一种最为常见的方法，但其运算量大，计算速度慢，因此不怎么受宠，Shi-Tomas角点检测运行速度快，且其原理简单，SFIT匹配适用于旋转、尺度变换，且对视觉变化、放射变换、噪声也保持一定程度的稳定性，最重要的是能与其他形式的特征向量进行联合。 本文创新点：将Shi-Tomas角点检测于SFIT匹配结合使用，且进行了亚像素检测，通过多种方法的比较和验证得出这两种方法结合使用效果均优于其他方法。 1. 常用的角点检测方法：Moravec角点检测、

Apricity 1180

OpenCV-Python 笔记（八）理解特征、哈里斯角检测，Shi-tomas拐角检测，SIFT尺度不换特征变换

理解特征 图片的特征，包括但不限于直线边缘，拐角，曲线，色块等等，它们一同组成了图片。通过对特征下分析，我们可以在图片中对特定特征进行查找，匹配等。 如上图，方框1特征上下移动不会产生变化，这意味着它不唯一；方框2是形状的边缘，左右移动不会有变化；方框3是形状的边缘，它不能移动，具有唯一性，所以我们认为它是一个良好的特征，方便查找和匹配，对齐。 哈里斯角检测 原理 哈里斯角点检测，如上图所示，当方框在画面中上下左右移动（过滤器），如果方框内没变化，则表示该区域既不是角也不是边缘。如果方框在一个方向上移动

qq_37030400的博客 1047

python 图像处理 角点检测算法 Harris和Shi-tomasi

# 角点检测算法 # 使用Harris检测算法和shi_tomasi检测算法，并对比他们的效果 # 使用opencv实现 import numpy as np import matplotlib.image as imgplt import cv2 import matplotlib.pyplot as plt ''' Function : cv2.cornerHarris(image,blocksize,ksize,k) Parameters are as follows : 1. image : t

Wadewhl的博客 907
上一篇： c++的数组与指针
下一篇： matplotlib-show for loop
点赞 0
评论 0
书签 书签 0
HelloElite
HelloElite
博客等级 码龄14年 2粉丝 12原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值