Python 机器视觉 - 基于opencv图像模板匹配实现的简单人脸匹配实例演示，matchTemplate的6大模板匹配算法

缺乏、安全感 2022-09-06 00:18 198阅读 0赞

### OpenCV 图像匹配算法 ###

*  第一章：图像模板匹配演示
 *  ① 效果展示1
 *  ② 效果展示2
 *  ③ 实现源码
 *  第二章：六大模板匹配算法
 *  ① CV\_TM\_SQDIFF【平方差匹配】
 *  ② CV\_TM\_SQDIFF\_NORMED【标准平方差匹配】
 *  ③ CV\_TM\_CCORR【相关匹配】
 *  ④ CV\_TM\_CCORR\_NORMED【标准相关匹配】
 *  ⑤ CV\_TM\_CCOEFF【相关系数匹配】
 *  ⑥ CV\_TM\_CCOEFF\_NORMED【标准相关系数匹配】

# 第一章：图像模板匹配演示 #

# ① 效果展示1 #

这是我要进行匹配的图片：  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5oyj5omO55qE6JOd6Je7_size_20_color_FFFFFF_t_70_g_se_x_16]  
匹配后的效果：  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5oyj5omO55qE6JOd6Je7_size_19_color_FFFFFF_t_70_g_se_x_16]

# ② 效果展示2 #

这是我要进行匹配的图片：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MTYxMDQw_size_16_color_FFFFFF_t_70]  
匹配后的效果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MTYxMDQw_size_16_color_FFFFFF_t_70 1]

# ③ 实现源码 #

实现源码如下：  
这里使用了 **CV\_TM\_SQDIFF** 算法，调用方法为 **cv.TM\_SQDIFF**

import cv2 as cv
    
    def template_matching(img_match, img, arithmetic_model):
        ''' 【作用】 进行图片模板匹配 【参数1】 模板图片 【参数2】 进行匹配的图片 【参数3】 算法模型 【返回】 无 '''
    
        # 进行模板匹配
        result = cv.matchTemplate(img, img_match, arithmetic_model)
        
        # 获取最小最大匹配值，还有对应的坐标
        min_value, max_value, min_coordinate, max_coordinate = cv.minMaxLoc(result)
        
        # 默认最佳最大值，当算法为CV_TM_SQDIFF或CV_TM_SQDIFF_NORMED时改为最小值
        best_coordinate = max_coordinate;
        if(arithmetic_model == cv.TM_SQDIFF or arithmetic_model == cv.TM_SQDIFF_NORMED):
            best_coordinate = min_coordinate;
        
        # 获取匹配图片的高和宽
        m_height, m_width = img_match.shape[:2]
        
        # 矩形的起始点和结束点
        r_start = best_coordinate
        r_end = (best_coordinate[0] + m_width, best_coordinate[1] + m_height);
        
        # 矩形的颜色和线的宽度
        r_color = (0, 0, 0)
        r_line_width = 2
        
        # 绘制矩形并展示
        cv.rectangle(img, r_start, r_end, r_color, r_line_width)
        cv.imshow("Xiao Lanzao", img)
    
    # 传入图片数据
    img_match = cv.imread("./image/baidu-ico.png")
    img = cv.imread("./image/baidu-sousuo.png")
    
    template_matching(img_match, img, cv.TM_SQDIFF)
    
    cv.waitKey(0)
    cv.destroyAllWindows()

# 第二章：六大模板匹配算法 #

在一些复杂的场景下，从简单的平方差算法到更复杂的相关系数算法，匹配的准确率会不断提高，但是计算量也同时增加了。

# ① CV\_TM\_SQDIFF【平方差匹配】 #

平方差匹配：`CV_TM_SQDIFF`  
**说明：**  
利用平方差进行匹配。  
**特点：**系数越小匹配程度越好，最小值 **0**。  
**公式如下：**  
![在这里插入图片描述][f1bfc8cc23f047958addcec99d5494d1.png]

# ② CV\_TM\_SQDIFF\_NORMED【标准平方差匹配】 #

标准平方差匹配：`CV_TM_SQDIFF_NORMED`  
特点同上①。  
**公式如下：**  
![标准平方差匹配][6b9d61c04cc346849c12d25483f39bb5.png]

# ③ CV\_TM\_CCORR【相关匹配】 #

相关匹配：`CV_TM_CCORR`  
利用模板和图像间的乘法操作。  
**特点：** 系数越高匹配效果越好，最小值 **0**。  
**公式如下：**  
![在这里插入图片描述][68775a3a6d8947e3aa01826c47c5822f.png]

# ④ CV\_TM\_CCORR\_NORMED【标准相关匹配】 #

标准相关匹配：`CV_TM_CCORR_NORMED`  
特点同③。  
**公式如下：**  
![在这里插入图片描述][93dd9e96f76c4972b79b51be2b8f8dfe.png]  
其中：  
![在这里插入图片描述][8fd75f61a18947f3921c170c67fa23d3.png]

# ⑤ CV\_TM\_CCOEFF【相关系数匹配】 #

相关系数匹配 `CV_TM_CCOEFF`  
利用模版对其均值的相对值与图像对其均值的相关值进行匹配。  
**特点：** 系数越高匹配系数越好，最大值为 **1**，最小为 **-1**。  
**公式如下：**  
![在这里插入图片描述][0f3ba47706514735b08023bb3ab59c7c.png]  
其中：  
![在这里插入图片描述][9405067bde1047449c5192def0f0aeab.png]

# ⑥ CV\_TM\_CCOEFF\_NORMED【标准相关系数匹配】 #

标准相关系数匹配：`CV_TM_CCOEFF_NORMED`  
特点同上⑤。  
**公式如下：**  
![在这里插入图片描述][0c5c1873499940c18b33ef741876e6b0.png]  
喜欢的点个赞❤吧！

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5oyj5omO55qE6JOd6Je7_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/760e1875367242b89b3fae18fef2456c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5oyj5omO55qE6JOd6Je7_size_19_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/9f280ef73d734bfa868a769e321e1a06.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MTYxMDQw_size_16_color_FFFFFF_t_70]: /images/20220829/a87608952d8049d598a484dd6e65e244.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MTYxMDQw_size_16_color_FFFFFF_t_70 1]: /images/20220829/aed9f167d9b14c6ea826000bff81172f.png
[f1bfc8cc23f047958addcec99d5494d1.png]: /images/20220829/cff8c3822d644d4da4b7fa83efdefd2e.png
[6b9d61c04cc346849c12d25483f39bb5.png]: /images/20220829/474e91ca4fca47288ed8c102d03d1cfe.png
[68775a3a6d8947e3aa01826c47c5822f.png]: /images/20220829/53d1dd7dc9d24d2d8bf001d489fd03c7.png
[93dd9e96f76c4972b79b51be2b8f8dfe.png]: /images/20220829/99595bbb349a43919c3349a9916693a7.png
[8fd75f61a18947f3921c170c67fa23d3.png]: /images/20220829/a3d2270e698e4a73a24db4023b270dd9.png
[0f3ba47706514735b08023bb3ab59c7c.png]: /images/20220829/0cab7d2b0b46413a8820a73a89ad50a8.png
[9405067bde1047449c5192def0f0aeab.png]: /images/20220829/98053d331f804055b2dc5c30df1ab87a.png
[0c5c1873499940c18b33ef741876e6b0.png]: /images/20220829/8a62cb4302284d22a48c7469c6b4fc85.png