引用资料 https://www.codeproject.com/Articles/99457/Edge-Based-Template-Matching

著名机器视觉软件Halcon 的开发人员出版的一本书

1. Machine Vision Algorithms and Applications [Carsten Steger, Markus Ulrich, Christian Wiedemann]

中译本《机器视觉算法与应用》。

这本书里面没有代码，也没有公式验证，有少量必要的公式罗列。

侧重于工业上一些常用机器视觉算法的实现原理。

=========================================================

另外这里有C#与emgucv的算法实现：https://gitee.com/e1ki0lp/Edge-Based-Template-Matching

=========================================================

对于机器视觉来讲，视觉引导是很常见的应用，找到物体往往需要使用模版匹配。

工业上实操起来，我们需要的是鲁棒，稳定，准确，快速的算法。

基于灰度的算法是一个好的方向，基于特征点的算法可能并不适用。

这里主要介绍一种基于边缘的模版匹配算法。

下面只说笔者代码中的处理流程。

1.获取模版

①.找到感兴趣区域中的的边缘。OpenCV已经有了Canny函数，配合 FindContours 函数即可得到边缘点坐标值。

②.计算边缘点在的x，y方向的梯度值。OpenCV的 Sobel 函数。

③.根据②的数据计算边缘点的梯度强度和梯度角度。OpenCV的CartToPolar函数。

④.遍历边缘点，保存边缘点对应的x，y梯度，并将梯度强度归一化处理(1除以该点梯度强度，这样得到的值都是[0,1]区间内的值)

并将边缘点坐标转换为相对于中心的相对坐标(实际上我这里使用的是第一个边缘点坐标，并没有使用中心点，因为找中心也需要计算)

经过以上操作，我们便建立好了模版。

2，模版匹配

①.计算边缘点在x，y方向的梯度值。同 1.②。

②.根据①的数据计算边缘点的梯度强度和梯度角度。

③.这步是最重要的，通过 归一化交叉相关(NCC) 算法计算模版边缘梯度和目标图像边缘梯度的相关性。

而且该算法得到的值就是匹配相关性的得分，分值范围在[0,1]，具体实现可以去看代码。其实就是拿着你的模版边缘在图像中平移，每移动一步计算一下边缘点对应的梯度强度相关性，这里引用链接中实现了一种优化，如果计算边缘点梯度相似性过程中得分过低，就可以跳过后续边缘点的计算，直接移动到下一个位置。

本文章中提供的C#算法和处理流程只是对检测结果的实现，追求代码的简化，但是效率是最差的，实际上中间实现和引用链接完全不同，因为Canny算法中已经包含了Sobel算法和计算梯度强度和梯度角度的过程以及遍历图像操作，所以获取模板操作的四个步骤完全可以合并到Canny函数中，但是EmguCV/OpenCV的Canny函数没有将这些中间变量暴露出来。引用链接中的实现是重写Canny算法,这样便能够使用Canny算法的中间变量。不需要再重复计算，经过一轮Canny算法即可建立模版数据

引用链接中还提及一些优化方法，比如对图像使用金字塔处理加快匹配速度，旋转建模使算法抗旋转。

拓展思维，我们可以发现梯度角度值没有使用，实际上也可以用于相似性检测，还能用于旋转角度的测量。

除了NCC算法，其它的一些基于灰度值的匹配算法也可照搬套用。

这里水平有限只提供一些思路，无法展开。

VisionPro的PatMax算法，Halcon的形状匹配算法都是基于边缘的模版匹配。

实际上搜Halcon作者的名字还是搜到一些相关资料的，摘录此处期待读者发挥：

Halcon机器视觉的一些效果演示 http://campar.in.tum.de/Main/AndreasHofhauser 

网页最下面有几篇相关的实现论文可以下载。

Halcon的Carsten Steger博士的一些出版物 https://iuks.in.tum.de/members/steger/publications

其中有两篇是几种找相似模版算法的比较，网页搜  2D Object 

因为这些人有Halcon这种成熟工业软件产品的关系，论文都很直白，原理+公式，只要看懂公式就能撸码实现。

当然具体的处理时间优化就属于边缘工作了，肯定不会在论文里，只能说按照论文撸出来的代码肯定能跑出基本效果。

参考性还是很高的。