Halcon教程之模板匹配（一）

模板匹配是HALCON提供的一种鲁棒很强的在图像中物体定位的方法，该方法可以用于许多不同的应用。为了适应不同应用场合，有多种模板匹配方法可供选择。这些方法都不需要对对象进行显式分割。因此，在图像中即使您没有专业的知识，也可以成功地定位到被测对象。

Halcon中的各种模板匹配方法可以处理各种情形下的变换，如照明、杂点、大小、位置以及旋转，甚至模版内部的相对移动。

因此在Halcon中如何根据模板匹配要求选择合适的模板匹配方法变得尤为重要。我们今天将分析Halcon中各种模板匹配方法的适用情况。

首先对各种匹配方法做一个简单的介绍

Gray-Value-based

要求照明不变的，内部灰度值和模板相同

Correlation-based 

不变性体现在：散焦、轻微的形变，线性光源，可以很好地处理纹理。 ，仅仅可以处理灰度图像，不支持杂点、遮挡、缩放、非线性照明变换、以及多通道图像

shape-based 

可以处理杂点、遮挡、缩放、非线性照明变换、散焦以及轻微的变形，可以处理多通道图像，也可以一次处理多个模型。但是对于纹理支持不好。

Component-based 

模板内部各个部分可以相对移动。可以处理杂点、遮挡、缩放、非线性照明变换，可以处理多通道图像，也可以一次处理多个模型。但是对于纹理支持不好，且不能支持散焦以及变形。

Local deformable 

可以返回模板样例的变形，可以处理杂点、遮挡、缩放、非线性照明变换、局部变形，可以处理多通道图像

Perspective deformable 

可以处理杂点、遮挡、缩放、非线性照明变换、散焦、透视形变，可以处理多通道图像，但是很难处理纹理。

Descriptor-based 

可以处理杂点、遮挡、缩放、非线性照明变换、透视形变，但是不能处理纹理、散焦以及多通道图像。

模板匹配可以在图像中找到发生几何变化的工件：平移、旋转、等比缩放、不等比缩放，但是不同方法适应于不同的几何变化类型。

另外，选择合适的模板匹配方法也可以找到物体外观发生变化的工件：遮挡、存在干扰、光线非线性变化。

工件几何变化类型

算法适用性

Matching Approach	移动  (2D)	旋转  (2D)	等比变化  (uniform)	非等比变化  (anisotropic)
gray-value-based	√	√	-	-
correlation-based	√	√	-	-
shape-based	√	√	√	√
component-based	√	√	-	-
local deformable	√	√	√	√
perspective deformable	√	√	√	√
descriptor-based	√	√	√	-

物体外观发生变化类型

算法适用性

Matching Approach	遮挡	干扰	非线性变化	纹理	颜色状态	聚焦状况
gray-value-based	-	-	-	-	-	-
correlation-based	-	-	√ (only  linear)	√	-	√
shape-based	√	√	√	-	√	√
component-based	√	√	√	-	√	-
local deformable	√	√	√	-	√	-
perspective deformable	√	√	√	-	√	-
descriptor-based	√	√	√	-	-	-

如果小伙伴有更高的识别要求，可以研究一下人工智能算法，经与万门大学协商，拿到了一些福利，识别二维码领免费课程，仅限前300名哦，快快领取吧！！