背景概述

OpenCV中自帶的模板匹配算法，完全是像素基本的模板匹配，特別容易受到光照影響，光照稍微有所不同，該方法就會歇菜了！搞得很多OpenCV初學者剛學習到該方法時候很開心，一用該方法馬上很傷心，悲喜交加，充分感受到了理想與現實的距離，不過沒關系，這里介紹一種新的模板匹配算法，主要是基于圖像邊緣梯度，它對圖像光照與像素遷移都有很強的抗干擾能力，據說Halcon的模板匹配就是基于此的加速版本，在工業應用場景中已經得到廣泛使用。

算法原理

該算法主要是基于圖像梯度，實現基于梯度級別的NCC模板匹配，基于Sobel梯度算子得到dx, dy, magnitude

通過Canny算法得到邊緣圖像、基于輪廓發現得到所有的輪廓點集，基于每個點計算該點的dx、dy、magnitude(dxy)三個值。生成模板信息。然后對輸入的圖像進行Sobel梯度圖像之后，根據模型信息進行匹配，這樣的好處有兩個：

梯度對光照有很強的抗干擾能力，對模板匹配的抗光照干擾

基于梯度匹配，可以對目標圖像上出現的微小像素遷移進行抵消。

算法實現代碼詳解

梯度圖像計算

Matgx,gy;
Sobel(gray,gx,CV_32F,1,0);
Sobel(gray,gy,CV_32F,0,1);

Matmagnitude,direction;
cartToPolar(gx,gy,magnitude,direction);
longcontoursLength=0;
doublemagnitudeTemp=0;
intoriginx=contours[0][0].x;
intoriginy=contours[0][0].y;

模板生成

//提取dxdymaglog信息
vector>contoursInfo;
//提取相對坐標位置
vector>contoursRelative;

//開始提取
for(inti=0;i(n));
vectorpoints(n);
for(intj=0;j(y,x);
pointInfo.DerivativeY=gy.at(y,x);
magnitudeTemp=magnitude.at(y,x);
pointInfo.Magnitude=magnitudeTemp;
if(magnitudeTemp!=0)
pointInfo.MagnitudeN=1/magnitudeTemp;
contoursInfo[i][j]=pointInfo;
}
contoursRelative.push_back(points);
}

計算目標圖像梯度

//計算目標圖像梯度
MatgrayImage;
cvtColor(src,grayImage,COLOR_BGR2GRAY);
Matgradx,grady;
Sobel(grayImage,gradx,CV_32F,1,0);
Sobel(grayImage,grady,CV_32F,0,1);

Matmag,angle;
cartToPolar(gradx,grady,mag,angle);

NCC模板匹配

doublepartialScore=0;
doubleresultScore=0;
intresultX=0;
intresultY=0;
doublestart=(double)getTickCount();
for(introw=0;rowgrayImage.cols-1||curY>grayImage.rows-1){
continue;
}

//目標邊緣梯度
doublesdx=gradx.at(curY,curX);
doublesdy=grady.at(curY,curX);

//模板邊緣梯度
doubletdx=contoursInfo[m][n].DerivativeX;
doubletdy=contoursInfo[m][n].DerivativeY;

//計算匹配
if((sdy!=0||sdx!=0)&&(tdx!=0||tdy!=0))
{
doublenMagnitude=mag.at(curY,curX);
if(nMagnitude!=0)
sum+=(sdx*tdx+sdy*tdy)*contoursInfo[m][n].MagnitudeN/nMagnitude;
}

//任意節點score之和必須大于最小閾值
partialScore=sum/num;
if(partialScoreresultScore)
{
resultScore=partialScore;
resultX=col;
resultY=row;
}
}
}

運行效果

正常光照

光照非常暗

改進：

不需要全局匹配，可以對目標圖像先做一個小梯度閾值，然后再進行匹配，提升速度、構造目標圖像金字塔，實現多分辨率模板匹配支持！