★ FEATURED ARTICLE 1. 先说清楚模板匹配到底在干什么干视觉这行的尤其是做产线定位、字符区域粗定位、拼图对齐、缺陷比对的几乎都有一个绕不开的环节在一张大图里找一块长得跟我手上这张小图一样的地方。这件事在 C 图像处理里就一个函数的事——主流开源视觉库里的matchTemplate传进去原图、模板、输出响应图和匹配模式一行代码就能出结果。可真到项目上线九成的人都会在这行代码后面加一堆补丁为什么分数 0.95 却框错了、为什么换个光照就全崩、为什么换个角度就找不着、为什么 4K 图上跑一次要 300 毫秒。这篇东西不打算把文档翻译一遍我按实际做项目的顺序来拆先讲清楚它凭什么判断像再讲 C 里怎么把最小闭环跑通并把坐标算对然后逐个啃尺度、旋转、光照这三座大山接着聊性能从几百毫秒压到几毫秒的几条路子最后给一张我自己排障时常用的问题速查表。适合刚接触模板匹配、写得出代码但效果不稳的同学也适合手里有老项目想优化一轮的老手代码都用 C 写能直接抄去改。2. 模板匹配的底层逻辑本质是一张打分表2.1 滑窗扫描模板像印章一样在图上按一遍模板匹配的模型极其朴素把模板当成一枚印章从左到右、从上到下在待搜索图的每一个可能位置盖一次每盖一次算一个分最后把所有分数排成一张二维表这张表就是响应图。模板宽w、高h原图宽W、高H那么响应图的尺寸就是(W - w 1) × (H - h 1)。响应图里第(x, y)个像素的值对应的就是模板左上角放在原图(x, y)位置时有多像。这个模型的好处是完全没有训练这一步不需要样本、不需要标注、不需要模型文件你截一张图就能干活所以它在快速验证、设备调试、小批量多品种的产线上特别吃香。坏处也很明显它对模板的尺寸、角度、光照极其敏感因为它的假设是目标跟模板逐像素对齐且外观一致。理解了这一点后面所有的坑其实都是这个假设被打破造成的。顺带说一个常被忽略的事实这个过程的计算量是W×H×w×h次乘加。一张 2000×1500 的图配一个 100×100 的模板就是 300 亿次级别的运算。这就是为什么直接对 4K 图跑大模板会卡到怀疑人生性能优化的整个思路都是围绕减少这个乘积展开的。2.2 六种匹配模式选错了公式再调参也白搭市面上常见的实现一般提供六种打分方式实际用的时候只需要记住它们的脾气模式计算内核值域适用场景主要缺点SQDIFF逐像素差平方和[0, ∞) 越小越好模板与目标亮度完全一致对亮度变化极敏感SQDIFF_NORMED归一化的差平方和[0, 1] 越小越好同光照下的精确定位同上且低对比区域易虚高CCORR逐像素乘积和[0, ∞) 越大越好模板本身很亮、背景很暗亮区域会无差别拿高分CCORR_NORMED归一化相关[0, 1] 越大越好模板与目标亮度线性相关对整体偏亮区域有偏好CCOEFF去均值后的相关实数亮度有整体偏移未归一化量纲不统一CCOEFF_NORMED去均值归一化相关[-1, 1] 越大越好绝大多数场景的默认选择平坦区域会出现虚假高分CCOEFF_NORMED之所以成为默认是因为它在计算前先把模板和窗口各自减去自己的均值再算相关系数。这一步减均值的操作相当于把整体亮度偏移这个自由度给消掉了——目标比模板整体亮 30 个灰度级减完均值之后这个偏移就没了相关系数不受影响。所以白天和晚上拍的两张图只要纹理结构一致它给出的分数依然很高。我自己在项目里的默认起点就是CCOEFF_NORMED只有当模板本身是亮块暗背景这种结构、并且确定光照条件非常稳定的时候才考虑SQDIFF_NORMED因为它对灰度的绝对差异更敏感定位精度反而更稳。至于不归一化的那两个出了实验室基本不用因为它们的分数跟图像整体亮度直接挂钩阈值根本没法写死。2.3 归一化不是万能药平坦区域的虚假高分这里必须单独拎出来说一个坑因为它坑过太多人。CCOEFF_NORMED的公式是R Σ[(T - mean(T))·(I - mean(I))] / sqrt(Σ(T - mean(T))² · Σ(I - mean(I))²)分母里有一项是窗口内的灰度标准差。如果某个窗口内的图像几乎是纯色的——比如大片白墙、纯黑背景、过曝的天花板——那么Σ(I - mean(I))²会趋近于 0分母接近 0整个分数就会因为数值放大而飙到 1.0 附近。结果就是你得到一堆完美匹配全在背景板上。处理办法不复杂但一定要加对每个候选位置单独计算窗口内的灰度标准差低于阈值的直接剔除。我一般设成模板自身标准差的 30% 左右实测够用。写起来也简单用积分图算窗口内的平方和与和O(1) 就能得到方差不用二次遍历。// 基于积分图快速计算窗口方差的门限过滤 cv::Mat integral, integralSq; cv::integral(src, integral, CV_64F, CV_64F); cv::integral(src, integralSq, CV_64F, CV_64F); // 注意这里应传 src.mul(src) // 略去细节核心是 sum I(x2,y2) - I(x1,y2) - I(x2,y1) I(x1,y1)提示不要拿模板与背景对比度低来判断这个坑判断依据是搜索窗口内部本身的方差低。很多模板本身对比度很高但它盖到的位置是一片纯色一样会虚高。3. C 实现骨架把最小闭环跑通并跑对3.1 最小可运行代码与几个关键参数先给一份能直接编译跑的骨架后面所有扩展都基于它#include opencv2/opencv.hpp #include iostream int main() { cv::Mat scene cv::imread(scene.png, cv::IMREAD_GRAYSCALE); cv::Mat tpl cv::imread(tpl.png, cv::IMREAD_GRAYSCALE); if (scene.empty() || tpl.empty()) { std::cerr image load failed std::endl; return -1; } if (tpl.cols scene.cols || tpl.rows scene.rows) { std::cerr template larger than scene std::endl; return -1; } cv::Mat resp; cv::matchTemplate(scene, tpl, resp, cv::TM_CCOEFF_NORMED); double minV, maxV; cv::Point minL, maxL; cv::minMaxLoc(resp, minV, maxV, minL, maxL); std::cout max score maxV at ( maxL.x , maxL.y ) std::endl; cv::rectangle(scene, cv::Rect(maxL, tpl.size()), cv::Scalar(0), 2); cv::imwrite(result.png, scene); return 0; }几个参数值得掰开说。第一输入必须是单通道且同类型彩色图要先转灰度或者三通道对三通道也能算但实际收益不大、耗时翻三倍。第二matchTemplate不支持原地输出resp不能跟scene是同一块内存硬来会得到垃圾数据。第三如果预先是拿CCOEFF_NORMED算的minMaxLoc里要用maxV用minV是SQDIFF系列才需要的这点新手特别容易搞混因为混用之后框照样画得出来只是框在乱七八糟的位置不容易第一时间发现。3.2 响应图坐标到原图坐标的换算这个环节看着简单但实际项目里出错率极高尤其是跟 ROI 裁剪、金字塔缩放混在一起的时候。基础规则只有一条响应图上的(x, y)直接就是模板左上角在原图上的坐标不需要加减半个模板尺寸。原因在于滑窗的时候默认就是左上角对齐检测到的(x, y)是窗口起点而不是中心点。所以画框是Rect(maxL.x, maxL.y, tpl.cols, tpl.rows)不是Rect(maxL.x - tpl.cols/2, ...)。麻烦的是叠了 ROI 之后。假设你为了提速先在原图上截了一块roi scene(Rect(200, 150, 1200, 900))匹配出来的结果是相对 ROI 的。最终要落回原图坐标时必须加上 ROI 的偏移cv::Rect roiRect(200, 150, 1200, 900); cv::Mat roi scene(roiRect).clone(); cv::Mat resp; cv::matchTemplate(roi, tpl, resp, cv::TM_CCOEFF_NORMED); cv::Point p; cv::minMaxLoc(resp, nullptr, nullptr, nullptr, p); cv::Rect finalRect(p.x roiRect.x, p.y roiRect.y, tpl.cols, tpl.rows);金字塔缩放更阴险。你在 0.5 倍图上的坐标(x, y)回到原图是(x / 0.5, y / 0.5)也就是乘 2但模板大小也要跟着乘 2两个都得转漏一个就框偏。我的习惯是封装一个结构体把缩放系数和ROI 偏移一起带着最后统一走一个toOriginal()函数转换别在业务代码里到处手算乘除。3.3 阈值不是拍出来的用分数分布定阈值新手最常见的做法是我觉得 0.8 挺高的就用 0.8 吧。这么干在项目初期能出图换一批产品就崩。正确姿势是把响应图当成一个数据集来看。我的流程是先不设阈值把响应图的所有值统计出来看最大值、次大值、以及 99.9 分位数。一个健康的场景正确目标的分数应该明显高于其他区域的分布——比如正确目标 0.93次高 0.61中间有一大段真空区那阈值放 0.8 就非常稳。反过来如果正确目标 0.86次高 0.84那就说明模板区分度不够换阈值救不了得换模板或者换特征。还有一个更工程化的做法叫相对阈值 绝对阈值双保险绝对阈值防漏检低于某个分数一律不要相对阈值防误检用最大值乘以一个比例比如 0.85 倍把明显比最高分低太多的候选砍掉。产线上经常出现整体分数下滑的情况比如镜头脏了、光源衰减这时候相对阈值能自动跟着降比写死一个数鲁棒得多。3.4 多目标提取minMaxLoc 只能找一个minMaxLoc天生只能返回一个峰图上要是有三个相同的标记它只会给你分最高的那一个。要提取全部得自己写先按阈值把响应图二值化取出所有候选点再按分数排序最后做非极大值抑制NMS把挨得太近的合并掉。struct Match { cv::Rect rect; float score; }; std::vectorMatch findMatches(const cv::Mat resp, cv::Size tplSize, float thr, float nmsThr) { std::vectorMatch cand; for (int y 0; y resp.rows; y) { const float* row resp.ptrfloat(y); for (int x 0; x resp.cols; x) { if (row[x] thr) { cand.push_back({cv::Rect(x, y, tplSize.width, tplSize.height), row[x]}); } } } std::sort(cand.begin(), cand.end(), [](const Match a, const Match b) { return a.score b.score; }); std::vectorMatch keep; for (const auto c : cand) { bool suppressed false; for (const auto k : keep) { float inter (c.rect k.rect).area(); float uni (float)(c.rect | k.rect).area(); if (inter / uni nmsThr) { suppressed true; break; } } if (!suppressed) keep.push_back(c); } return keep; }nmsThr一般取 0.3 到 0.5。但如果目标本身尺寸很小、间距很近用 IOU 会误杀这时候改用中心点距离小于模板短边的 1/3作为抑制判据更靠谱。注意候选点数量可能上万逐个算 IOU 会变成 O(n²)。实操中可以在遍历时用一张与响应图同尺寸的掩码匹配上一个就把周围一片置位跳过复杂度立刻降下来。4. 三个头号杀手尺度、旋转、光照4.1 尺度变化多分辨率金字塔的必要性模板匹配对尺寸的宽容度非常低。经验值是这样尺寸偏差超过 5%CCOEFF_NORMED的分数就会掉到 0.7 以下基本就找不着了。而实际产线上相机高度有波动、镜头有畸变、工件摆放有远近±10% 的尺度变化太常见了。解决办法是多尺度搜索把模板按一组比例缩放每个比例做一次匹配取全局最优。比例序列不能等间隔取太小否则组合爆炸也不能太粗否则漏掉真值。我的经验是步长取 1.05 到 1.1——注意是乘法步长不是加法因为尺度变化本质是乘性的。搜索范围从 0.6 到 1.5 就够了用 1.08 的步长大概 12 个尺度。std::vectorMatch multiScaleMatch(const cv::Mat scene, const cv::Mat tpl, float scaleMin, float scaleMax, float step, float thr) { std::vectorMatch all; for (float s scaleMin; s scaleMax 1e-6f; s * step) { cv::Mat scaled; cv::resize(tpl, scaled, cv::Size(), s, s, s 1.0f ? cv::INTER_AREA : cv::INTER_LINEAR); if (scaled.cols scene.cols || scaled.rows scene.rows) continue; cv::Mat resp; cv::matchTemplate(scene, scaled, resp, cv::TM_CCOEFF_NORMED); double maxV; cv::Point maxL; cv::minMaxLoc(resp, nullptr, maxV, nullptr, maxL); if (maxV thr) { all.push_back({cv::Rect(maxL, scaled.size()), (float)maxV}); } } return all; // 上层再按分数排序 NMS }代价很直接12 个尺度就是 12 倍耗时。所以实际工程里很少单独用这套都是跟金字塔绑在一起——先在降采样的大尺度层粗搜一遍锁定大致区域和尺度范围再回到原图精细搜索把 12 次全图匹配压缩成1 次粗搜 3 次小 ROI 精搜。这里有个细节值得说缩小时用INTER_AREA放大时用INTER_LINEAR。原因很朴素INTER_AREA本质是区域平均缩小的时候相当于低通滤波能避免混叠放大用它是浪费还会让边缘发糊影响相关分数的锐度。这个选择看着是小节实际对分数曲线的影响能到 0.03 到 0.05够决定一次是否过阈值了。4.2 旋转匹配最笨的办法往往最可靠模板匹配同样不具备旋转不变性偏 3 度以上分数就明显下滑。工业上真正的解法是换用带旋转不变性的匹配算法比如基于形状、基于广义霍夫变换的那类或者上特征点匹配。但如果手头只有模板匹配这一个工具那就只能暴力扫角度。做法是把模板按-30°到30°、步长2°转一圈每个角度做一次匹配取最优。听起来粗暴实测在目标纹理丰富有明确角点、交叉线的时候2° 步长足够找到之后再用 0.5° 步长在局部细化能达到 0.3° 左右的精度。纹理少的模板比如一个圆盘标记就不行了角度响应会很平因为圆盘转起来长得一样这是信息论层面的事换算法也没用只能靠模板里额外带一个不对称的标记。cv::Mat rotateTemplate(const cv::Mat tpl, double angle) { cv::Point2f c(tpl.cols / 2.0f, tpl.rows / 2.0f); cv::Mat M cv::getRotationMatrix2D(c, angle, 1.0); double cosA std::abs(M.atdouble(0, 0)); double sinA std::abs(M.atdouble(0, 1)); int newW (int)(tpl.rows * sinA tpl.cols * cosA); int newH (int)(tpl.rows * cosA tpl.cols * sinA); M.atdouble(0, 2) (newW - tpl.cols) / 2.0; M.atdouble(1, 2) (newH - tpl.rows) / 2.0; cv::Mat out; cv::warpAffine(tpl, out, M, cv::Size(newW, newH), cv::INTER_LINEAR, cv::BORDER_REPLICATE); return out; }这段代码有两个必须注意的点。一是扩大画布旋转后模板的外接矩形会变大如果不扩四个角会被裁掉匹配分数会莫名其妙地掉一截而且掉得不多不少特别难查。二是边界填充方式用BORDER_REPLICATE而不用默认的BORDER_CONSTANT因为填充黑边等于人为往模板里加了一圈低灰度区域参与相关系数计算时会拉偏均值。还有一个隐形成本旋转后模板变大匹配耗时按面积增长。一个 100×100 的模板转 45° 之后外接矩形约 142×142计算量翻倍。角度扫描 30 个角度总耗时能到原来的 60 倍以上。所以生产环境里我用旋转扫描只在小 ROI 上做绝不整图扫。4.3 光照与对比度从灰度模板换到梯度模板CCOEFF_NORMED对线性光照变化是免疫的整体加一个常数、整体乘一个系数都不影响分数但现实中光照变化往往不是线性的单侧打光会让图像一侧亮一侧暗形成梯度反光会局部过曝直接丢信息有些材料在不同光照下对比度会反转。对付这类问题最有效的一招是把匹配从灰度域搬到梯度域。做法很简单对模板和搜索图都先做一次 Sobel 或者 Scharr 求梯度幅值然后拿梯度图去做匹配。梯度幅值对整体亮度变化天然不敏感——亮度加 50梯度不变亮度乘 1.5梯度幅值乘 1.5但归一化相关系数会把这个缩放消掉。cv::Mat toGradientMag(const cv::Mat gray) { cv::Mat gx, gy, mag; cv::Sobel(gray, gx, CV_32F, 1, 0, 3); cv::Sobel(gray, gy, CV_32F, 0, 1, 3); cv::magnitude(gx, gy, mag); cv::normalize(mag, mag, 0, 255, cv::NORM_MINMAX); cv::Mat out; mag.convertTo(out, CV_8U); return out; }代价是抗噪能力下降因为求导会放大噪声。所以这一步之前最好先做一次轻度高斯模糊3×3 或 5×5 就够把传感器噪声压掉再求梯度。我在金属件表面检测里用这套组合配合好的打光分数从原来 0.6 上下波动稳定到了 0.85 以上。另一个容易被忽略的点是对比度反转。CCOEFF_NORMED在图像整体反色之后分数会变成原来的负值。所以如果你的产品有两种颜色版本比如深底浅字和浅底深字要么准备两套模板要么在匹配时同时取maxV和-minV取绝对值最大的那个。4.4 遮挡与形变别硬扛拆开算模板匹配假设目标完整可见。一旦有遮挡——零件被机械手挡住一角、贴纸被气泡顶起、字符被污渍盖住——分数会直接掉到阈值以下不是稍低是直接崩溃。轻度遮挡遮挡面积 15% 以内有个实用做法叫分块投票把模板切成 3×3 或 4×4 的小块每块单独算相关系数最后统计有多少块过了各自的分块阈值。总体过 70% 的块就认为是同一个目标。这么做的原理是遮挡只影响局部不会拉低所有块。实现上不需要多次调用matchTemplate可以在一次匹配后对响应图的最优位置手动切块算成本很低。形变就更麻烦模板匹配对几何形变拉伸、透视几乎零容忍。这种情况下我的建议很直接别在模板匹配上硬凿换工具。要么用特征点匹配ORB 单应估计要么用基于形状的匹配算法要么就老老实实上轻量的检测模型。模板匹配的正确用法是在受控环境下做快速、精确的定位把它当万能钥匙最后一定是给自己挖坑。5. 性能优化从几百毫秒压到几毫秒5.1 先算清楚瓶颈在哪别瞎优化优化之前先做一件事把总耗时拆开。我一般会埋三个计时点——预处理灰度化、ROI 裁剪、缩放、matchTemplate、后处理阈值、NMS、亚像素。实测下来matchTemplate通常占 80% 到 95%预处理占 5% 到 15%后处理在小候选集下可以忽略。如果统计出来比例不是这样说明瓶颈在别的地方比如图像读取从磁盘读 4K 图能到 50 毫秒或者内存拷贝。matchTemplate的复杂度是(W-w1)×(H-h1)×w×h。这个式子里图像尺寸和模板尺寸都是以平方量级出现的所以任何一维减半总耗时能降到四分之一左右。这个直觉决定了后面所有优化的优先级降分辨率 缩 ROI 换算法 换指令集。优化手段典型收益精度损失实施成本转灰度3 倍无极低ROI 裁剪面积减 80%5 倍无低图像降采样 2 倍4 倍定位精度约 ±2 像素低模板降采样4 倍同上低金字塔粗定位 精定位10 倍以上可控中多线程分块接近核数无中频域计算大模板下 5 倍以上轻微高5.2 金字塔两级搜索我项目里最常用的一招这套路我在七八个项目里都用过收益稳定。思路是先把图和模板都缩到 1/4在这个小图上粗搜一遍得到一个粗略位置再把原图上对应的区域扩一圈一般是模板尺寸的 1 到 2 倍裁出来在这个小 ROI 上做全分辨率精搜。Match pyramidMatch(const cv::Mat scene, const cv::Mat tpl, float thr) { const float k 0.25f; cv::Mat sceneS, tplS; cv::resize(scene, sceneS, cv::Size(), k, k, cv::INTER_AREA); cv::resize(tpl, tplS, cv::Size(), k, k, cv::INTER_AREA); cv::Mat respS; cv::matchTemplate(sceneS, tplS, respS, cv::TM_CCOEFF_NORMED); double maxV; cv::Point maxL; cv::minMaxLoc(respS, nullptr, maxV, nullptr, maxL); // 回到原图坐标并向外扩一圈 int cx (int)(maxL.x / k); int cy (int)(maxL.y / k); int pad std::max(tpl.cols, tpl.rows); int x1 std::max(0, cx - pad); int y1 std::max(0, cy - pad); int x2 std::min(scene.cols, cx tpl.cols pad); int y2 std::min(scene.rows, cy tpl.rows pad); cv::Rect roiRect(x1, y1, x2 - x1, y2 - y1); if (roiRect.width tpl.cols || roiRect.height tpl.rows) { return {cv::Rect(cx, cy, tpl.cols, tpl.rows), (float)maxV}; } cv::Mat resp; cv::matchTemplate(scene(roiRect), tpl, resp, cv::TM_CCOEFF_NORMED); cv::Point maxL2; cv::minMaxLoc(resp, nullptr, maxV, nullptr, maxL2); return {cv::Rect(maxL2.x roiRect.x, maxL2.y roiRect.y, tpl.cols, tpl.rows), (float)maxV}; }pad这一圈的设置是有讲究的粗搜的定位误差大约是1/k个像素在 k0.25 的时候理论误差是 4 像素加上缩放本身带来的模糊实际抖动能到 8 到 15 像素。所以 pad 至少要等于误差上限我直接给一个模板边长最省事。如果目标尺寸有波动pad 还得再放大因为多尺度搜索的时候位置和尺度都会偏。这套下来的速度提升在 8 到 20 倍之间具体看 ROI 占原图的比例。代价是如果粗搜那一步就错了比如模板在小尺度上纹理糊成一团分数乱了后面精搜区域压根不包含真目标就会漏检。所以粗搜层的阈值要设得很松比如 0.4只用来圈定大方向最后以精搜的分数为准。5.3 频域与积分图什么时候值得上有一类场景躲不开模板特别大比如 500×500目标区域也大而且不允许降分辨率。这时候空间域的乘法量已经是几十亿次再怎么裁剪也压不下来。频域计算就成了唯一出路把相关运算转成频域的逐点乘法FFT的复杂度是O(N log N)跟模板尺寸无关。要注意的是直接在频域实现归一化相关系数是要费点劲的因为分母里的局部均值和局部平方和需要在频域之外算。标准做法是用积分图算这两个量O(1) 得到任意窗口的和与平方和频域只负责算分子那部分的互相关。这一套组合下来模板边长超过 60 到 80 像素时开始有明显收益越大越划算。如果模板不大就别碰频域了实现复杂度高、精度还有轻微的数值误差调试起来很痛苦。积分图本身倒是可以无脑用——窗口均值和方差都能 O(1) 拿出来前面提到的平坦区域过滤、归一化分母计算全都可以省一遍遍历。这个优化几乎无副作用我一般都会加上。5.4 多线程、UMat 与 SIMD能榨出多少算多少多线程这块matchTemplate内部对某些模式已经做了并行但并不是所有模式、所有版本都开了。稳妥的做法是自己按行切分 ROI起 N 个线程各算一条横带注意带与带之间要重叠tpl.rows - 1行否则跨带的目标会被切掉。用std::thread或者线程池都行实测在 8 核机器上能拿到 4 到 6 倍加速达不到线性是因为内存带宽会先饱和。UMat透明 API在支持 OpenCL 的设备上能跑到 GPU 上对于大图大模板收益明显能到 3 到 8 倍。但要注意两点一是首次调用有编译内核的开销几十到几百毫秒一定得在初始化阶段预热不能放在第一个节拍里二是数据在 CPU 和 GPU 之间来回搬是有成本的如果前后处理都在 CPU 上搬运开销可能把收益吃掉。我的做法是把灰度化 匹配 阈值整条链都留在UMat上只在最后取结果时下到 CPU。SIMD 层面主流实现对CCOEFF_NORMED这类模式在编译时已经用了向量指令自己手写内联汇编或者 intrinsic 的收益通常在 10% 到 30%投入产出比不高。除非是极致的嵌入式场景否则不建议动。6. 落地排障那些文档里不会写的问题6.1 常见故障速查表这张表是我自己排障时用的按现象反查原因能省不少时间现象高概率原因排查动作分数很高但框偏了几个像素模板边缘带了背景或边界填充污染裁掉模板四周 2 到 4 像素再试一大堆高分集中在纯色区域窗口方差接近 0分母放大加方差门限见 2.3 节换一批产品就全部漏检尺度或光照变了阈值写死改相对阈值 加多尺度分数在 0.7 到 0.9 之间来回跳模板本身对比度不足换梯度模板或换特征目标在图像边缘时找不到滑窗覆盖不到完整模板图像外扩 padding 后再匹配同样代码换台机器结果不同浮点运算顺序差异或并行归约顺序分数比较加容差别用首次调用特别慢内核编译、内存分配、图像解码初始化阶段预热跑一次多目标只找到一个用了minMaxLoc改阈值 NMS见 2.4 节6.2 模板制作的规范这一步决定了上限我用血泪换来的结论是模板匹配的效果七成取决于模板做得好不好剩下三成才是算法和调参。第一条模板必须包含足够的结构信息。拿一个纯色方块当模板它在任何同色区域都能拿高分毫无定位能力。判断标准是模板自身的灰度标准差低于 15 左右的模板基本不能用得重新选区域。第二条模板边缘不要带背景。手工截图的时候很容易多框进去一圈背景这一圈背景在目标位置稍有偏移时就会严重拉低分数。我的习惯是截完之后再往里缩 2 到 4 个像素宁可少一点也不要多。反过来如果模板边缘正好是目标本身的特征边比如字符的笔画那就不要缩缩了反而丢掉关键信息。第三条模板尺寸要跟目标在图像上的实际尺寸匹配。有人拿设计图上的图标当模板结果相机拍出来小了 20%怎么调都找不着。这个必须实测在真实图像上量一下目标的像素宽高直接用这个尺寸做模板或者至少保证偏差在 5% 以内。第四条多品种场景准备多套模板不要指望一个模板通吃。外观差异超过 10% 的两个型号分开存两个模板各自配阈值管理成本远低于调参成本。工程上我用一个配置文件管模板列表每套带自己的阈值和尺度范围加载时一起读进来。6.3 上线前的验证与回归模板匹配最容易出的问题是实验室好好的上线三天开始飘。所以上线前必须做一轮压力验证我的清单是这几项用至少 200 张真实图像跑一遍统计分数分布画个直方图确认正确目标和错误候选之间有明显的分离带刻意制造变化调光照强度 ±30%、把工件平移旋转 ±10%、在镜头上滴一点灰看分数掉多少掉到阈值以下的就说明余量不足记录每个场景的耗时 P50 和 P99别只看平均值产线卡的是最慢的那一次预留分数掉到 0.6 以下自动报警的监控而不是等操作员发现漏检了才去查。还有一个小习惯我一直保持把每次匹配的响应图最大值、位置、耗时都写进日志。出问题的时候翻日志看分数是怎么一天天漂下去的比现场复现高效得多。有一次某台设备连续一周分数缓慢下滑最后查出来是光源老化日志里那条趋势线一眼就看出来了。亚像素这块补一句如果定位精度要求到 0.1 像素matchTemplate本身给不了得在峰值附近做二次曲面拟合——拿峰值和它上下左右四个邻域的值拟合一个抛物面顶点就是亚像素位置。公式不复杂三行代码的事但对分数曲线的形状有要求太尖或者太平的曲线拟合出来都不稳得先看看响应图长得正不正常再上。最后分享一个我踩过最深的坑有一次一个项目的匹配分数怎么调都在 0.75 上下反复换模板、换模式、加预处理都没用。折腾了两天才发现模板是从 PNG 截的而现场图像是 JPEG 采集的两者在 8×8 块边界上有细微的块效应差异加上现场用了不同的缩放算法边缘产生了 1 像素的系统性偏移。把采集端改成无压缩格式、模板从同一条采集链路上截取之后分数直接跳到 0.94。模板和被搜索图像最好出自同一条成像链路这个道理说起来简单真出事的时候想不到。
阅读完成 · 觉得有帮助？
