模板匹配——智能与工业领域的应用

王绍昶

模板匹配是在一幅图像中寻找与另一幅模板图像最匹配部分的技术，通俗一点讲，就是我们已经将一个标准的没有瑕疵的轮廓存储了下来，我们再通过抓取图像，轮廓提取或者特征提取把得到的轮廓与目标轮廓提取，以进行检测或者识别目标物。目前机器视觉领域使用较广泛的比较成熟的商用软件是Halcon，其中提供的匹配的方法主要有:Component-Based、Gray-Value-Based、Shape-Based、Correlation-Based,分别是基于组件（或成分、元素）的匹配、基于灰度值的匹配、基于形状的匹配和基于相关性匹配。这几种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。

1.基于形状的模板匹配

HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但往往会牺牲匹配速度。基本流程如下：

⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，利用gen_rectangle1()函数生成一个矩形，利用area_center()找到这个矩形的中心。

⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等；

⑶ 接下来利用create_shape_model()函数来创建模板，此函数有许多参数，其中金字塔的级数（因为我们拍到的图像会有一定比例的缩放，所以我们要把模板设置级数，以便我们进行匹配）由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；在任何情况下，模板应适合主内存，搜索时间会缩短。用get_shape_model_contours()函数获得该模板的轮廓，用于后面的匹配；

⑷ 建好模板后，打开需要匹配的图像进行模板匹配。这个过程就是在新图像中寻找与模板最匹配（相似）的部分，这部分由函数find_shape_model()完成，它有许多参数，这些参数都影响着寻找模板的速度和精度。该函数的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel设为‘interpolation’则会精确到亚像素级，这个模式不会占用太多时间，若需要更精确，则可设为‘least_square’,‘lease_square_high’，但会增加额外的匹配时间，具体应根据实际应用。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索耗时很长，若为1，则为不安全搜索但速度最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。

⑸ 最后找到匹配之后，需要对其进行转化并显示，使用函数vector_angle_to_rigid()和affine_trans_contour_xld()。前者是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的结果中对构造一个刚体仿射变换很有用，把参考图像变为当前图像。

模板匹配再实际中有很多应用，比如我们进行产品的检测，就是要和模板进行比对，进而判断是不是合格。还有在人工智能领域，当机器人是如何识别到目标的呢？其实和这是一样的，也是要和存在自己“大脑”中的模板进行对比。希望对大家有帮助:)