OpenCV模板匹配算法详解

1 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
相关匹配法CV_TM_CCORR
归一化相关匹配法CV_TM_CCORR_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：

上述6中匹配方法可用以下公式进行描述：

2 示例代码

下面给出方法6的python代码

 import numpy as np

 import cv2

 def EM(pModel, width, height):

     sum = np.double(0.0)

     for i in range(0,height):

         for j in range(0,width):

             sum += pModel[i][j]

     return sum

 def EM2(pModel, width, height):

     sum = np.double(0.0)

     for i in range(0,height):

         for j in range(0,width):

             sum += pModel[i][j]*1.0*pModel[i][j]

     return sum

 def EI(pToSearch, l, h, u, v, pModel, width, height):

     sum = np.double(0.0)

     roi = pToSearch[v:v+height, u:u+width]

     for i in range(0,height):

         for j in range(0,width):

             sum += roi[i][j]

     return sum

 def EI2(pToSearch, l, h, u, v, pModel, width, height):

     sum = np.double(0.0)

     roi = pToSearch[v:v+height, u:u+width]

     for i in range(0,height):

         for j in range(0,width):

             sum += roi[i][j]*1.0*roi[i][j]

     return sum

 def EIM(pToSearch, l, h, u, v, pModel, width, height):

     sum = np.double(0.0)

     roi = pToSearch[v:v+height, u:u+width]

     for i in range(0,height):

         for j in range(0,width):

             sum += pModel[i][j]*1.0*roi[i][j]

     return sum

 def Match(pToSearch, l, h, pModel, width, height):

     uMax = l-width

     vMax = h-height

     N = width*height

     len = (uMax+1)*(vMax+1)

     MatchRec = [0.0 for x in range(0, len)]

     k = 0

     M = EM(pModel,width,height)

     M2 = EM2(pModel,width,height)

     for p in range(0, uMax+1):

         for q in range(0, vMax+1):

             I = EI(pToSearch,l,h,p,q,pModel,width,height)

             I2 = EI2(pToSearch,l,h,p,q,pModel,width,height)

             IM = EIM(pToSearch,l,h,p,q,pModel,width,height)

             numerator=(N*IM-I*M)*(N*IM-I*M)

             denominator=(N*I2-I*I)*(N*M2-M*M)

             ret = numerator/denominator

             MatchRec[k]=ret

             k+=1

     val = 0

     k = 0

     x = y = 0

     for p in range(0, uMax+1):

         for q in range(0, vMax+1):

             if MatchRec[k] > val:

                 val = MatchRec[k]

                 x = p

                 y = q

             k+=1

     print "val: %f"%val

     return (x, y)

 def main():

     img = cv2.imread('niu.jpg', cv2.IMREAD_GRAYSCALE)

     temp = cv2.imread('temp.png', cv2.IMREAD_GRAYSCALE)

     print temp.shape

     imgHt, imgWd = img.shape

     tempHt, tempWd = temp.shape

     #print EM(temp, tempWd, tempHt)

     (x, y) = Match(img, imgWd, imgHt, temp, tempWd, tempHt)

     cv2.rectangle(img, (x, y), (x+tempWd, y+tempHt), (0,0,0), 2)

     cv2.imshow("temp", temp)

     cv2.imshow("result", img)

     cv2.waitKey(0)

     cv2.destroyAllWindows()

 if __name__ == '__main__':

     main()

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）：

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。

 /*

 * pImage: 待匹配图像

 * image: 待匹配图像宽（width*depth并已4字节对齐）

 * roiSize: 待匹配图像尺寸

 * pTemplate: 模板图像

 * templStep: 模板图像宽

 * templSize: 模板图像尺寸

 * pResult: 匹配结果

 * resultStep: 匹配结果宽

 * pBuffer: 中间结果数据缓存

 */

 IPCVAPI_IMPL( CvStatus, icvMatchTemplate_CoeffNormed_32f_C1R,

               (const float *pImage, int imageStep, CvSize roiSize,

                const float *pTemplate, int templStep, CvSize templSize,

                float *pResult, int resultStep, void *pBuffer) )

 {

     float *imgBuf = ;              // 待匹配图像相关数据

     float *templBuf = ;            // 模板图像数据

     double *sumBuf = ;             // 待匹配图像遍历块单行和

     double *sqsumBuf = ;           // 待匹配图像遍历块单行平方和

     double *resNum = ;             // 模板图像和待匹配图像遍历块内积

     double *resDenom = ;           // 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

     double templCoeff = ;          // 模板图像均分差倒数

     double templSum = ;            // 模板图像累加和

     int winLen = templSize.width * templSize.height;

     double winCoeff = . / (winLen + DBL_EPSILON);          // + DBL_EPSILON 加一个小整数防止分母为零

     CvSize resultSize = cvSize( roiSize.width - templSize.width + ,

                                 roiSize.height - templSize.height +  );

     int x, y;

     // 计算并为imgBuf、templBuf、sumBuf、sqsumBuf、resNum、resDenom分配存储空间

     CvStatus result = icvMatchTemplateEntry( pImage, imageStep, roiSize,

                                              pTemplate, templStep, templSize,

                                              pResult, resultStep, pBuffer,

                                              cv32f, , ,

                                              (void **) &imgBuf, (void **) &templBuf,

                                              (void **) &sumBuf, (void **) &sqsumBuf,

                                              (void **) &resNum, (void **) &resDenom );

     if( result != CV_OK )

         return result;

     imageStep /= sizeof_float;

     templStep /= sizeof_float;

     resultStep /= sizeof_float;

     /* calc common statistics for template and image */

     {

         const float *rowPtr = (const float *) imgBuf;

         double templSqsum = icvCrossCorr_32f_C1( templBuf, templBuf, winLen );          // 模板图像平方累加和

         templSum = icvSumPixels_32f_C1( templBuf, winLen );                             // 模板图像累加和

         templCoeff = (double) templSqsum - ((double) templSum) * templSum * winCoeff;   // 模板图像均方差的平方

         templCoeff = icvInvSqrt64d( fabs( templCoeff ) + FLT_EPSILON );                 // 模板图像均方差倒数

         for( y = ; y < roiSize.height; y++, rowPtr += templSize.width )

         {

             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）

             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）

         }

     }

     /* main loop - through x coordinate of the result */

     for( x = ; x < resultSize.width; x++ )

     {

         double sum = ;

         double sqsum = ;

         float *imgPtr = imgBuf + x;                                                      // 待匹配图像起始位置

         /* 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）

         if( x >  )

         {

             const float *src = pImage + x + templSize.width - ;

             float *dst = imgPtr - ;

             float out_val = dst[];

             dst += templSize.width;

             for( y = ; y < roiSize.height; y++, src += imageStep, dst += templSize.width )

             {

                 float in_val = src[];

                 sumBuf[y] += in_val - out_val;

                 sqsumBuf[y] += (in_val - out_val) * (in_val + out_val);

                 out_val = dst[];

                 dst[] = (float) in_val;

             }

         }

         for( y = ; 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

         {

             sum += sumBuf[y];

             sqsum += sqsumBuf[y];

         }

         for( y = ; y < resultSize.height; y++, imgPtr += templSize.width )

         {

             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

             if( y >  )                                                                 // 如果不是第1行需更新遍历块累加和sum及平方累加和sqsum

             {

                 sum -= sumBuf[y - ];

                 sum += sumBuf[y + templSize.height - ];

                 sqsum -= sqsumBuf[y - ];

                 sqsum += sqsumBuf[y + templSize.height - ];

             }

             resNum[y] = res;

             resDenom[y] = sum;

             resDenom[y + resultSize.height] = sqsum;

         }

         for( y = ; y < resultSize.height; y++ )

         {

             double sum = ((double) resDenom[y]);

             double wsum = winCoeff * sum;

             double res = ((double) resNum[y]) - wsum * templSum;

             double nrm_s = ((double) resDenom[y + resultSize.height]) - wsum * sum;

             res *= templCoeff * icvInvSqrt64d( fabs( nrm_s ) + FLT_EPSILON );

             pResult[x + y * resultStep] = (float) res;

         }

     }

     return CV_OK;

 }

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

OpenCV0.9.5源码下载：http://download.csdn.net/detail/weiwei22844/9547820

参考文章：http://blog.sina.com.cn/s/blog_4ae371970101aejw.html

http://blog.csdn.net/liyuanbhu/article/details/49837661