在前面一篇教程中，我们通过取局部最大值的方法来处理检测结果，但是从图像中可以看到harris角的分布并不均匀，在纹理颜色比较深的地方检测的harris角结果更密集一些。本章中，我们使用一个简单的策略算法，首先在检测的harris角图像中，找到一个值最大的角，后面的最大值角检测至少要和前面的角有一个距离，这样循环查找角，直到得到指定数目的角位置。
在OpenCV中，我们可以通过下面的代码得到结果：
// Compute good features to track
std::vector<cv::Point2f> corners;
cv::goodFeaturesToTrack(image,corners,
500, // maximum number of corners to be returned
0.01, // quality level
10); // minimum allowed distance between points
500是我们需要的harris角数目，0.01是quality level，用作二值化harris角图像，10是两个harris之间的距离。检测结果放在corners中，我们可以在原图像中，显示这些角，可以看到这些角的分布要均匀很多。
注意，这个方法默认使用Shi and C方法判断定角。Good Features to Track，1994, J. Shi and C。
在harris角检测中，我们判断R值的大小，
，但在Shi and C的角检测算法中，我们使用公式
，R小于某个阈值，才会判断给区域存在角。当然在cv::goodFeaturesToTrack中，你也可以指定使用harris方法判定角。
我们也可以使用下面的代码得到相同的结果：
// vector of keypoints
std::vector<cv::KeyPoint> keypoints;
// Construction of the Good Feature to Track detector
cv::GoodFeaturesToTrackDetector gftt(
500, // maximum number of corners to be returned
0.01, // quality level
10); // minimum allowed distance between points
// point detection using FeatureDetector method
gftt.detect(image,keypoints);
cv::drawKeypoints(image, // original image
keypoints, // vector of keypoints
image, // the resulting image
cv::Scalar(255,255,255), // color of the points
cv::DrawMatchesFlags::DRAW_OVER_OUTIMG); //drawing flag
程序代码：参考FirstOpenCV49