什么是模板匹配呢？簡單而言，就是在圖像中尋找目標圖像（模板），或者說，就是在圖像中尋找與模板圖像相似部分的一種圖像處理技術。依賴于選擇的方法不同，模板匹配可以處理各種情形下的變換，如照明、雜點、大小、位置以及旋轉，甚至模版內部的相對移動。

模版匹配的魯棒性和靈活性都很高，而且很多參數可以自適應生成，只有極少的參數需要配置。

在Halcon中，提供了各種不同的匹配方法。不同方法的選擇依賴于圖像數據以及要解決的任務。

匹配的流程

Acquire Images

對于訓練和匹配，首先必須先有圖像。

Create(Train) Model

為了生成一個模板，首先在訓練圖像中，必須指定包含模板的ROI區域。僅僅這些區域是重要的和穩定的，應該被用來訓練。訓練算子的輸入是裁剪后的圖像（可以使用reduce_domain完成）和控制參數。輸出是模型句柄。模型將用來立即搜索圖像。

Find Model

一旦創建好（或者讀入）了模型，立即可以用于定位圖像中的目標。
如果一個或者多個目標被發現，他們的姿勢（位置position、旋轉rotation、縮放scaling）或者
2D仿射變換矩陣和分數(score)被返回。這些值可以被作為下一步的處理。如對齊ROI。

Destroy Model

當我們不需要匹配模型時，你應該銷毀它。比如，對于shape-based 匹配，可以使用
clear_shape_model來銷毀。

各種匹配方法簡介

匹配方法	使用范圍
Gray Value-based Matching	要求照明不變的，內部灰度值和模板相同，應用極少
Correlation-based Matching	不變性體現在：散焦、輕微的形變，線性光源，可以很好地處理紋理。 ，僅僅可以處理灰度圖像，不支持雜點、遮擋、縮放、非線性照明變換、以及多通道圖像
shape-based Matching	可以處理雜點、遮擋、縮放、非線性照明變換、散焦以及輕微的變形，可以處理多通道圖像，也可以一次處理多個模型。但是對于紋理支持不好 。
Component-based Matching	模板內部各個部分可以相對移動。可以處理雜點、遮擋、縮放、非線性照明變換，可以處理多通道圖像，也可以一次處理多個模型。但是對于紋理支持不好，且不能支持散焦以及變形。
Local deformable Matching	可以返回模板樣例的變形，可以處理雜點、遮擋、縮放、非線性照明變換、局部變形，可以處理多通道圖像
Perspective deformable Matching	可以處理雜點、遮擋、縮放、非線性照明變換、散焦、透視形變，可以處理多通道圖像，但是很難處理紋理 。
Descriptor-based Matching	可以處理雜點、遮擋、縮放、非線性照明變換、透視形變，但是不能處理紋理、散焦以及多通道圖像。

需要說明的是Component-based Matching。
基于部分的匹配是基于形狀匹配的加強版。原因在于它可以允許內部的各個部件
移動（旋轉和平移）。比如我們常見的鉗子。有兩個分支組成。但是分支可開可合。這時使用基于分支的匹配可以一次性處理這樣一個組合物。否則可能得分開處理。

匹配方法的快速引導

如下的幾幅圖簡單介紹了如何針對特殊的應用，選擇合適的匹配方法。
圖1，總結了比較粗糙地選擇匹配的方法

圖1

圖2，介紹了幾種形變


圖2

圖3，介紹了不同方法可以處理的形變


圖3

圖4，介紹了不同方法可以返回的參數信息

圖4

圖5，介紹了幾種典型的目標外觀變換

圖5

圖6，介紹了不同方法可以處理的目標外觀變化

圖6