OpenCv目标跟踪_cvGoodFeaturesToTrack()寻找角点

在OpenCv中提供了两种实现目标跟踪的关键算法，LK算法和HS算法，也就是通常所说的稀疏光流和稠密光流。

寻觅角点

角点，其实也就是1幅图象中，容易被跟踪的特点点，通常来讲，这个点在两个正交方向上都有明显的倒数，该点在图象中我们认为是唯一无2的。
从直观上讲，角点是1类有足够信息并且能够从当前帧和下1帧都能提取出来的点。

关于角点的定义，是由Harris提出的，其基础是图象灰度强度的2阶导数矩阵 。该定义的角点位于图象2阶导数的自相干矩阵中有两个最大特点值的地方，这本质上表示以此点为中心周围存在最少两个不同方向的边沿。实际上1个角点也就是由两个不同方向的边沿相交而成的。而且，采取2阶导数是由于它对图象的均匀梯度不产生相应（梯度是1阶导数而来，如果1阶导数为均匀的，则2阶导数为0）。

函数cvGoodFeaturesToTrack()

在这个函数中，输入图象image必须是8位或是32位，也就是IPL_DEPTH_8U 或是 IPL_DEPTH_32F 单通道图象。
第2和第3个参数是大小与输入图象相同的32位单通道图象。
参数 temp_image 和 eig_image 在计算进程中被当作临时变量使用，计算结束后eig_image中的内容是有效的。特别的，每一个函数包括了输入图象中对应的最小特点值。

corners 是函数的输出，为检测到 32位（CvPoint2D32f）的角点数组，在调用 cvGoodFeaturesToTrack 函数之前要为该数组分配内存空间。

corner_count 表示可以返回的最大角点数目，函数调用结束后，其返回实际检测到的角点数目。
quality_level 表示1点呗认为是角点的可接受的最小特点值，实际用于过滤角点的最小特点值是quality_level与图象汇总最大特点值的乘积，所以quality_level的值不应当超过1，通常取值为（0.10或是0.01）

检测完以后还要进1步剔除掉1些距离较近的角点，min_distance 保证返回的角点之间的距离不小于min_distance个像素

mask是可选参数，是1幅像素值为boolean类型的图象，用于指定输入图象中参与角点计算的像素点，若mask的值为NULL，值表示选择全部图象

block_size 是计算导数的自相干矩阵是指定的领域，采取小窗口计算的结果比单点（也就是block_size 为1）计算的结果要好

函数cvGoodFeaturesToTrack() 的输出结果为需找到的角点的位置数组。