模板匹配(机器视觉算法与应用)

模板匹配典型算法原理

01 模板w开始位置在图像f的左上角

当w的中心位于f的边界上时，围绕f的边界需要进行填充。填充通常

被限制为模板宽度的一半。

02 模板从左上角向右下角开始移动

每次移动一个像素的位置，过程中可以得到模板和图像各位置间的相似度。

03 生成结果图像

相似度量值保存到结果图像中. 在结果图像中的每个位置都包含匹配度量值。

04 找到匹配位置

根据所用的匹配算法不同，对结果图像进行处理分析，找到匹配位置。

基于灰度值的模板匹配算法。基于边缘的模板

匹配算法

基于形状的模板

匹配算法

Gray-Value-Based Template Matching

基于灰度值的模板匹配

基于灰度值的模板匹配—基本概念

相似度量

相似度量S是一个函数，函数中的参数包括：

①模板中各点的灰度值t(r,c)；

②模板感兴趣区域移动到图像当前位置时感兴趣区域

中的灰度值f(r+u,c+v)；

然后基于这些灰度值计算一个标量值作为相似度量。

01 S A D :计算模板与图像之间差值的绝对值总和

02

S S D :计算模板和图像之间差值的平方和

问题

●在光照保持不变的情况下，SAD 和SSD 相似度量的结果非常好。

●当光照发生变化，甚至在图像中存在相同物体的情况下，他们都将返回非常大的结果!

基于灰度值的模板匹配——相似度量方法—SAD,SSD （Sum of absolute/squared difference ）

？

03

N C C ：归一化互相关系数

基于灰度值的模板匹配——相似度量方法—NCC (Normalized cross--correlation)

(,)(,)(,)(,)

u v T

c r c t u v f r u c v ∈=

++∑

结果

•基于灰度值的模板匹配方法原理简单。 •

在良好的光照条件下可以得到很满意的匹配

结果。

Advantages

优点 Disadvantages

缺点 •

受光照影响大，抗干扰性不强。

•图像存在遮挡、部分隐藏、信息缺失、混乱时 不能正确找到目标物体。

01

02

Edge matching

基于边缘的模板匹配算法

基于边缘的模板匹配算法

1

2

3

使用原始边缘点或者增加每个点的一些特性。

将边缘分割为多个几何基元，然后匹配这些几何基元。

得到边缘上的突变点，然后匹配这些突变点。

三种策略

平移情况下的均方边缘距离可表示为：

其中，T 表示模板边缘区域，d(r, c) 表示边缘提取后待搜索图像背景的距离变换。

缺点：图像边缘有遮挡时，返回的距离将会非常大。

棋盘距离—8连通

街区距离--4连通欧氏距离

（三）在距离图上用上述两个掩码分别从左上到右下和右下到左上进行逐行扫描，将掩码覆盖区域中的距离值与掩码中 相应位置上的距离值求和，然后从掩码的所有计算结果中选择最小的值作为当前像素的距离值。

1 1

1

1

2 1 2 1 0 1 2

1

2

原图街区距离

棋盘距离欧氏距离

h (T, E) 表示了模板边缘点与最近图像边缘点之间的最大距离；

h (E, T) 的定义与h (T, E) 互为对称，它表示了图像边缘点与最近模板边缘点之间的最大距离。

Hausdorff距离是由这两个距离的最大值决定。

匹配过程

将模板沿着图像逐像素扫描，模板每移动一次就会得到一个当前的Hausdorff距离。当模板中的边缘点与图像中的边缘点非常接近，且图像中的边缘点与模板中的边缘点也非常接近时，会得到一个最小的Hausdorff距离，此时为最优匹配。

改进

当图像中出现遮挡情况下算法效果不佳的主要原因是由于在计算h (T, E) 时采用了最大距离。如果用第k 大距离代替最大距离，Hausdorff距离将对100 / % k n 的遮挡可靠，其中n表示模板边缘区域中像素点的数量。。

尽管改进的Hausdorff距离能够解决遮挡和混乱带来的问题，但是当遮挡部分较大时，该方法会找到较多的错误实例。此外由于Hausdorff距离的计算量较大，这使得算法的实时性比较差，对于那些实时性要求较高的在线系统该方法往往不能满足。

R-Table

上面所说的所有基于边缘的算法都存在一个缺陷，就是它们都需要在图像中提取出边缘。

这就导致目标识别算法只能够适用于非常小范围的光照变化。如果降低对比度，提取到的边缘点就越来越少，更多的遮蔽也会造成相似的影响。

缺陷

总结

基于边缘点的模板匹配算法

Shape-based

基于形状的模板匹配

相似度量 S ：

,,2222

11,,11||||||||i i i i

i i

i i

T

n

n

i i r r c c r r c c i q p

i i i q p i i r r c c r r c c t v u w d e

s n d e n t u v w +++++==++++++==++∑∑

归一化后的相似度量 S ：

,,11

11i i i i

n n

T

i q p i r r c c i r r c c i i s d e t v u w n n +++++====+∑∑当图像中存在遮挡的情况，遮挡部分像素点的梯度向量的模非常小，它与模板相应位置梯度向量的内积也是一个非常小的值，几乎不影响总和；当图像中存在混乱的情况，混乱部分对应的模板相应位置梯度向量的模非常小，它们的内积仍然不影响总和。然而,公式提供的相似度量仍不能真正的满足光照变化的情况。

这是因为梯度向量的模取决于图像的亮度：当图像较亮时，梯度向量的模较大；当图像较暗时，梯度向量