理论：
在上一节，我们看了Harris角点检测，在1994年，J.Shi 和C.Tomasi 在他们的论文Good Features to Track 里对之作了小修改。比Harris角点检测有更好结果。Harris 角点检测的得分函数：
而Shi-Tomasi提出的：
如果高于阈值的，就被认为是角。如果我们在λ1 - λ2空间里画出来，得到的图像是：
从图里可以看到，只有当λ1和λ2高于最小值λmin，才是角（绿色区域）
代码
OpenCV有个函数cv2.goodFeaturesToTrack()。它会用Shi-Tomasi方法（或者Harris角点检测，你可以指定）找到N个最强的角。输入图像仍然应该是灰度图。然后你指定你想找到的角的数量，接着指定质量级别，值介于0和1之间，指明了角的最小质量。之后我们提供角之间的最小欧几里得距离。
通过所有这些信息，函数可以在图像里找角。所有低于质量级别的角被拒绝。然后它会根据质量降序对剩下的角排序。然后函数取第一个最强的角，把周围的最小距离内的所有角都扔掉，然后返回N个最强的角。
下面的例子，我们会试图找最好的25个角：
import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('simple.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.int0(corners)for i in corners:
x,y = i.ravel()
cv2.circle(img,(x,y),3,255,-1)plt.imshow(img),plt.show()
结果：
这个函数更适合跟踪。
