转：http://blog.sina.com.cn/s/blog_b0935ba90102wy93.html
今天使用到opencv的matchTemplate算子，查找资料，学习了一下。
对官方资料进行翻译注释，加深理解，详情可见：matchTemplate英文资料。
模板匹配
目的
在下文你将会了解到：
- 使用opencv的matchTemplate函数，在一个图像上搜索和输入图像匹配的位置
- 使用opencv的minMaxLoc函数，在给定的序列中搜索最大和最小值（匹配的合适位置）
原理
什么是模板匹配？
模板匹配是一个在给定的图像中查找和模板图像相同（或者类似）的区域的技术。
工作原理？
- 需要两基素：
a、原图像（I）：我们期待在这个图像上找到和模板图像的匹配
b、模板图像（T）：小块的图像，用来比作模板图像
我们的目的是检测高度匹配的区域：
- 为了确定匹配区域，我们需要在原图像上移动模板图像：
- 移动，是指在一个方向（左或右、上或下）上移动小块图像。在每一个位置，代表匹配程度“好”或“坏”的矩阵会被计算出来（或者小块图像和原图像的相似度）
- 对覆盖图像I的图像T的每个位置，我们保存方法在结果矩阵R中。每个位置（x, y）包含匹配结果：
上图表示使用TM_CCORR_NORMED方法滑动小块图像得到结果R。最亮的位置代表匹配度最高。正如缩减，红色圆圈标记的区域是值最大的位置，因此这个位置（左亮点作为左上角，宽和高与小块图像相同的矩形框的位置）认为是最佳匹配。
- 在实践中，我们使用minMaxLoc函数在矩阵R中定位匹配度最高的值（或者最低的值，根据匹配方法而定）。
在opencv中存在哪些匹配方法？
OpenCv在matchTemplate函数中显示了匹配方法，目前有6种方法：
代码
- 这个项目是做什么的？
下载一个输入图像和小块图像（模板图像）
使用前面描述的matchTemplate函数的6种方法中的一种进行模板匹配过程。用户可以通过滑动条选择方法
归一化匹配过程的输出
通过最高匹配概率确定位置
在最高匹配率的位置处画一个矩形框
- 下载代码：点击代码
- 代码一览：
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include
#include
using namespace std;
using namespace cv;
/// Global Variables
Mat img; Mat templ; Mat result;
char* image_window = "Source Image";
char* result_window = "Result window";
int match_method;
int max_Trackbar = 5;
/// Function Headers
void MatchingMethod( int, void* );
int main( int argc, char** argv )
{
/// Load image and template
img = imread( argv[1], 1 );
templ = imread( argv[2], 1 );
/// Create windows
namedWindow( image_window, CV_WINDOW_AUTOSIZE );
namedWindow( result_window, CV_WINDOW_AUTOSIZE );
/// Create Trackbar
char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF\n 5: TM COEFF NORMED";
createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );
MatchingMethod( 0, 0 );
waitKey(0);
return 0;
}
void MatchingMethod( int, void* )
{
/// Source image to display
Mat img_display;
img.copyTo( img_display );
/// Create the result matrix
int result_cols = img.cols - templ.cols + 1;
int result_rows = img.rows - templ.rows + 1;
result.create( result_rows, result_cols, CV_32FC1 );
/// Do the Matching and Normalize
matchTemplate( img, templ, result, match_method );
normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );
/// Localizing the best match with minMaxLoc
double minVal; double maxVal; Point minLoc; Point maxLoc;
Point matchLoc;
minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
/// For SQDIFF and SQDIFF_NORMED, the best matches are lower values. For all the other methods, the higher the better
if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
{ matchLoc = minLoc; }
else
{ matchLoc = maxLoc; }
/// Show me what you got
rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
imshow( image_window, img_display );
imshow( result_window, result );
return;
}
解释
1、声明一些全局变量，比如图像、模板、结果矩阵，还有匹配方法和窗口名字
Mat img; Mat templ; Mat result;
char* image_window = "Source Image";
char* result_window = "Result window";
int match_method;
int max_Trackbar = 5;
2、下载原图像和模板图像
img = imread( argv[1], 1 );
templ = imread( argv[2], 1 );
3、创建窗口显示结果
namedWindow( image_window, CV_WINDOW_AUTOSIZE );
namedWindow( result_window, CV_WINDOW_AUTOSIZE );
4、创建滑动条输入用到的匹配方法，修改时调用回到函数MatchingMethod
char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";
createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );
5、等待直至退出程序
waitKey(0);
return 0;
6、检测毁掉函数。首先，对原图像进行拷贝
Mat img_display;
img.copyTo( img_display );
7、其次，创建一个存储每个模板位置匹配结果的矩阵。详细观察结果矩阵的大小（匹配合适的位置）
int result_cols = img.cols - templ.cols + 1;
int result_rows = img.rows - templ.rows + 1;
result.create( result_rows, result_cols, CV_32FC1 );
8、运行匹配运行
matchTemplate( img, templ, result, match_method );
参数包括输入图像I、模板T、结果R和匹配方法（由滑动条给出）
9、归一化结果
normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );
10、用minMaxLoc找到结果R的最大和最小值
double minVal; double maxVal; Point minLoc; Point maxLoc;
Point matchLoc;
minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
函数调用系列参数：
result:源数组
&minVal和&maxVal:在result中保存最大和最小值的变量
&minLoc和&maxLoc:保存最大和最小值的位置点
Mat():可选
11、前两种方法（CV_SQDIFF和CV_SQDIFF_NORMED）的最佳匹配是最小值。其他的，最大值代表最佳匹配。因此，可以在matchLoc中保存相应的值
if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
{ matchLoc = minLoc; }
else
{ matchLoc = maxLoc; }
12、显示源图像和结果矩阵。在匹配率最高的位置画一个矩形框
rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ),Scalar::all(0), 2, 8, 0 );
rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ),Scalar::all(0), 2, 8, 0 );
imshow( image_window, img_display );
imshow( result_window, result );
结果
1、用一副图像测试程序：
模板图像
生成如下的结果矩阵（第一行是标准方法SQDIFF,CCORR和CCOEFF，第二行是相同方法，使用归一版本），第列，最黑的是最佳匹配，其他列是位置最亮的位置是最佳匹配
3、下列显示了最佳匹配（右侧人的黑色框标记的脸部）。注意CCORR和CCDEFF给了错误的匹配，但是他们的归一化版给了正确的，可能是我们只是关注了“最高匹配”而不是其他合适的匹配方法。
注：CV_TM_SQDIFF平方差匹配 CV_TM_SQDIFF_NORMED CV_TM_CCORR相关匹配 (这三种Method的匹配效果不佳)； CV_TM_CCORR_NORMED CV_TM_CCOEFF CV_TM_CCOEFF_NORMED (这三种Method的匹配效果完美)