Subpixel corner detection con Opencv

Ho provato a vedere se la funzione di  corner detection poteva essere utile con gli aruco tags per vedere se vi erano spostamenti

Non sembra ma quella sopra e' una gif animata (187 frames)

Ho preso l'esempio della libreria OpenCV applicato ad una serie di immagini di un Aruco tag statico ripreso con differenti condizioni di illuminazione

from __future__ import print_function

import cv2 as cv

import numpy as np

import argparse

import random as rng

source_window = 'Image'

maxTrackbar = 25

rng.seed(12345)

def goodFeaturesToTrack_Demo(val):

maxCorners = max(val, 1)

# Parameters for Shi-Tomasi algorithm

qualityLevel = 0.01

minDistance = 10

blockSize = 3

gradientSize = 3

useHarrisDetector = False

k = 0.04

# Copy the source image

copy = np.copy(src)

# Apply corner detection

corners = cv.goodFeaturesToTrack(src_gray, maxCorners, qualityLevel, minDistance, None, blockSize=blockSize, gradientSize=gradientSize, useHarrisDetector=useHarrisDetector, k=k)

# Draw corners detected

radius = 4

winSize = (5, 5)

zeroZone = (-1, -1)

criteria = (cv.TERM_CRITERIA_EPS + cv.TermCriteria_COUNT, 40, 0.001)

# Calculate the refined corner locations

corners = cv.cornerSubPix(src_gray, corners, winSize, zeroZone, criteria)

# Write them down

for i in range(corners.shape[0]):

print(corners[i,0,0],";",corners[i,0,1],";",end='')

parser = argparse.ArgumentParser(description='Code for Shi-Tomasi corner detector tutorial.')

parser.add_argument('--input', help='Path to input image.', default='pic3.png')

args = parser.parse_args()

src = cv.imread(cv.samples.findFile(args.input))

if src is None:

print('Could not open or find the image:', args.input)

exit(0)

src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

maxCorners = 10 # initial threshold

goodFeaturesToTrack_Demo(maxCorners)

print()

il risultato dell'algotitmo e' di questo tipo

Alla fine e' emerso l'algoritmo seleziona in modo automatico gli angoli con un ordine diverso  e c'e' una forte influenza dell'illuminazione sulla definizione delle coordinate dell'angolo 

In casi ottimali (ma non e' questo il caso) ho visto che la standard deviation e' di circa 0.2 pixels

Non e' quindi un metodo affidabile per il change detection