java opencv 模板匹配算法_OpenCV模板匹配算法详解

刺骨的言语ヽ痛彻心扉 2022-11-06 10:54 573阅读 0赞

http://www.cnblogs.com/zhaoweiwei/p/OpenVC\_matchTemplate.html1 理论介绍

模板匹配是在一幅图像中寻找一个特定目标的方法之一，这种方法的原理非常简单，遍历图像中的每一个可能的位置，比较各处与模板是否“相似”，当相似度足够高时，就认为找到了我们的目标。OpenCV提供了6种模板匹配算法：平方差匹配法CV\_TM\_SQDIFF

归一化平方差匹配法CV\_TM\_SQDIFF\_NORMED

相关系数匹配法CV\_TM\_CCOEFF

归一化相关系数匹配法CV\_TM\_CCOEFF\_NORMED

用T表示模板图像，I表示待匹配图像，切模板图像的宽为w高为h，用R表示匹配结果，匹配过程如下图所示：

![b22636f4a6755f6ef7e48d9968707c7c.png][]

上述6中匹配方法可用以下公式进行描述：

![2d0d2a932244d815618f10314ea296f4.png][]

2 示例代码

下面给出方法6的python代码

![cdec0645add3fc3c328197dda5c76203.png][] 归一化相关系数匹配法

代码58行中的N就是公式(6)中的w\*h，由于python代码运行速度比较慢，代码的58、59行相当于对公式(6)的分子分母都进行了平方操作，并且分子分母都乘以了N方，以减小计算量，所以代码61行的ret相当于公式(6)中的R(x,y)的平方，

为了更快的进行算法验证，用上述代码进行验证时请尽量选用较小的匹配图像及模板图像，下图显示了我的匹配结果(待匹配图像295x184模板69x46用了十几分钟)：

![1c95b1db85f563aa18152226b562b644.png][]

3 OpenCV源码

较新版本的OpenCV库中的模板匹配已经进行了较多的算法改进，直接看新版本中的算法需要了解很多相关理论知识，所以我们结合OpenCV0.9.5的源码进行讲解，该版本的源码基本上是C风格代码更容易进行理解(如果要对

OpenCV源码进行研究，建议用该版本进行入门)，仍以归一化相关系数匹配法为例进行分析。

![69c5a8ac3fa60e0848d784a6dd461da6.png][]1 /\* 2 \* pImage: 待匹配图像3 \* image: 待匹配图像宽(width\*depth并已4字节对齐)4 \* roiSize: 待匹配图像尺寸5 \* pTemplate: 模板图像6 \* templStep: 模板图像宽7 \* templSize: 模板图像尺寸8 \* pResult: 匹配结果9 \* resultStep: 匹配结果宽10 \* pBuffer: 中间结果数据缓存11 \*/ 12 IPCVAPI\_IMPL( CvStatus, icvMatchTemplate\_CoeffNormed\_32f\_C1R,13 (const float \*pImage, intimageStep, CvSize roiSize,14 const float \*pTemplate, inttemplStep, CvSize templSize,15 float \*pResult, int resultStep, void \*pBuffer) )16 \{17 float \*imgBuf = 0; //待匹配图像相关数据 18 float \*templBuf = 0; //模板图像数据 19 double \*sumBuf = 0; //待匹配图像遍历块单行和 20 double \*sqsumBuf = 0; //待匹配图像遍历块单行平方和 21 double \*resNum = 0; //模板图像和待匹配图像遍历块内积 22 double \*resDenom = 0; //待匹配图像遍历块累加和及待匹配图像遍历块平方累加和 23 double templCoeff = 0; //模板图像均分差倒数 24 double templSum = 0; //模板图像累加和 25 26 int winLen = templSize.width \*templSize.height;27 double winCoeff = 1. / (winLen + DBL\_EPSILON); //+ DBL\_EPSILON 加一个小整数防止分母为零 28 29 CvSize resultSize = cvSize( roiSize.width - templSize.width + 1,30 roiSize.height - templSize.height + 1);31 intx, y;32 33 //计算并为imgBuf、templBuf、sumBuf、sqsumBuf、resNum、resDenom分配存储空间 34 CvStatus result =icvMatchTemplateEntry( pImage, imageStep, roiSize,35 pTemplate, templStep, templSize,36 pResult, resultStep, pBuffer,37 cv32f, 1, 1,38 (void \*\*) &imgBuf, (void \*\*) &templBuf,39 (void \*\*) &sumBuf, (void \*\*) &sqsumBuf,40 (void \*\*) &resNum, (void \*\*) &resDenom );41 42 if( result !=CV\_OK )43 returnresult;44 45 imageStep /=sizeof\_float;46 templStep /=sizeof\_float;47 resultStep /=sizeof\_float;48 49 /\*calc common statistics for template and image\*/ 50 \{51 const float \*rowPtr = (const float \*) imgBuf;52 double templSqsum = icvCrossCorr\_32f\_C1( templBuf, templBuf, winLen ); //模板图像平方累加和 53 54 templSum = icvSumPixels\_32f\_C1( templBuf, winLen ); //模板图像累加和 55 templCoeff = (double) templSqsum - ((double) templSum) \* templSum \* winCoeff; //模板图像均方差的平方 56 templCoeff = icvInvSqrt64d( fabs( templCoeff ) + FLT\_EPSILON ); //模板图像均方差倒数 57 58 for( y = 0; y < roiSize.height; y++, rowPtr +=templSize.width )59 \{60 sumBuf\[y\] = icvSumPixels\_32f\_C1( rowPtr, templSize.width ); //待匹配图像按模板图像宽度求每行之和(遍历位置第一列) 61 sqsumBuf\[y\] = icvCrossCorr\_32f\_C1( rowPtr, rowPtr, templSize.width ); //待匹配图像按模板图像宽度求每行平方之和(遍历位置第一列) 62 \}63 \}64 65 /\*main loop - through x coordinate of the result\*/ 66 for( x = 0; x < resultSize.width; x++)67 \{68 double sum = 0;69 double sqsum = 0;70 float \*imgPtr = imgBuf + x; //待匹配图像起始位置 71 72 /\*update sums and image band buffer\*/ //如果不是第1列需重新更新sumBuf，更新后sumBuf为遍历位置第x列每行之和(行宽为模板图像宽) 73 if( x > 0)74 \{75 const float \*src = pImage + x + templSize.width - 1;76 float \*dst = imgPtr - 1;77 float out\_val = dst\[0\];78 79 dst +=templSize.width;80 81 for( y = 0; y < roiSize.height; y++, src += imageStep, dst +=templSize.width )82 \{83 float in\_val = src\[0\];84 85 sumBuf\[y\] += in\_val -out\_val;86 sqsumBuf\[y\] += (in\_val - out\_val) \* (in\_val +out\_val);87 out\_val = dst\[0\];88 dst\[0\] = (float) in\_val;89 \}90 \}91 92 for( y = 0; y < templSize.height; y++ ) //求遍历位置第x列，第1行处遍历块累加和sum及平方累加和sqsum 93 \{94 sum +=sumBuf\[y\];95 sqsum +=sqsumBuf\[y\];96 \}97 98 for( y = 0; y < resultSize.height; y++, imgPtr +=templSize.width )99 \{100 double res = icvCrossCorr\_32f\_C1( imgPtr, templBuf, winLen ); //求模板图像和待匹配图像y行x列处遍历块的内积 101 102 if( y > 0 ) //如果不是第1行需更新遍历块累加和sum及平方累加和sqsum 103 \{104 sum -= sumBuf\[y - 1\];105 sum += sumBuf\[y + templSize.height - 1\];106 sqsum -= sqsumBuf\[y - 1\];107 sqsum += sqsumBuf\[y + templSize.height - 1\];108 \}109 resNum\[y\] =res;110 resDenom\[y\] =sum;111 resDenom\[y + resultSize.height\] =sqsum;112 \}113 114 for( y = 0; y < resultSize.height; y++)115 \{116 double sum = ((double) resDenom\[y\]);117 double wsum = winCoeff \*sum;118 double res = ((double) resNum\[y\]) - wsum \*templSum;119 double nrm\_s = ((double) resDenom\[y + resultSize.height\]) - wsum \*sum;120 121 res \*= templCoeff \* icvInvSqrt64d( fabs( nrm\_s ) +FLT\_EPSILON );122 pResult\[x + y \* resultStep\] = (float) res;123 \}124 \}125 126 returnCV\_OK;127 \}

![69c5a8ac3fa60e0848d784a6dd461da6.png][]

以上代码是归一化相关系数法核心函数icvMatchTemplate\_CoeffNormed\_32f\_C1R的源码，我已经在源码中进行了详细的注释，读者需自己再进行理解，需要进一步说明的是：

代码118行res就是计算公式(6)的分子部分，代码56行templCoeff就是计算公式(6)分母的左半部分，代码121行icvInvSqrt64d函数就是在计算公式(6)分母的右半部分，该行res的最终结果正是公式(6)中的R(x,y)。

4 结束语

[b22636f4a6755f6ef7e48d9968707c7c.png]: /images/20221023/3fd4ca79955c46819e40004ea84a5960.png
[2d0d2a932244d815618f10314ea296f4.png]: /images/20221023/fe2a685cd93e491d9c9d52b7708a208e.png
[cdec0645add3fc3c328197dda5c76203.png]: /images/20221023/a53897399e6241e99f7300588078c7e7.png
[1c95b1db85f563aa18152226b562b644.png]: /images/20221023/9316f9a371b6437581327636bca449c0.png
[69c5a8ac3fa60e0848d784a6dd461da6.png]: /images/20221023/b088ef366c4c431fa14f6fd462ba13af.png