模板匹配
關注創建者：320科技工作室 創建時間：2021-09-11
模板匹配的視頻教程
1-40基于MATLAB，使用模板匹配法實現車牌的識別
基于MATLAB，使用模板匹配法實現車牌的識別。具體包括將原圖灰度化，邊緣檢測，腐蝕操作，車牌區域定位，車牌區域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號碼。模型已調通，可直接運行。 購買后可下載視頻中的源程序文件。
￥55.9 1分鐘 2播放
查看
模板匹配的實例教程
相對于深度學習的檢測系統，模板匹配檢測系統不需要大數據的訓練，即可輔助進行在線缺陷檢測，具有較高準確率，能消除人工漏檢造成的批量不良風險，降低質檢人員的作業負荷。
圖2 視覺監測凸凹點缺陷
硬件布置方案
系統的硬件部署要在現有沖壓線上增加，并盡可能減少對現有生產線的改造，故沿用了現有沖壓線的自動化方案(機械臂、傳送皮帶)，在此基礎上通過在零件傳送路徑上布置8組攝像頭和LED光源(俯視、前視、后視、側視各2 組)，實現對在線零件的圖像采集，如圖3 所示。
圖3 視覺監測布置示意圖
檢測方案
沖壓零件通過機械臂放置到傳送皮帶上，依次經過攝像頭拍攝點，零件的位置、角度是一種有序排列，如圖4 所示。根據這個特點，開發一種圖像處理程序，以一組合格的零件圖像為模板，將攝像頭拍攝到的圖片和模板對比，存在差異的位置判斷為缺陷，實現開裂、多(少)孔、材料劃傷夾雜等品質缺陷的識別。檢測程序的主要流程如圖5 所示。
圖4 模板匹配檢測原理示意圖
圖5 模板匹配檢測流程
檢測過程是一個采集攝像頭圖像并進行圖像處理(基于開源計算機視覺和機器學習軟件庫OpenCV 的圖像處理)的過程，計算機所處理的圖像，其實是一個由一系列范圍在[0，255]區間的灰度值組成的二維矩陣。下面以一個前地板零件的檢測過程為案例，對檢測過程和效果進行說明，為了驗證識別效果，模板圖片比實際零件少了一個孔，如圖6 紅色箭頭位置所示。
圖6 視頻采集圖像和模板圖像的相似度
步驟1 ～步驟2：程序對每一幀的圖片和模板圖片進行相似度分析，得到一個區間在[0.0，1.0]范圍的計算結果，0 表示完全一樣，1 表示兩張圖像完全不同。程序會選擇相似度最小值的圖片，進入到下一個計算步驟。
展開 基于MATLAB，使用模板匹配法實現車牌的識別。具體包括將原圖灰度化，邊緣檢測，腐蝕操作，車牌區域定位，車牌區域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號碼。模型已調通，可直接運行。
這里采用簡單模版匹配算法。由于在前期的有效處理使得分割后的字體清晰度完整度都能保持較高的水平。有利于提高模版匹配的成功率。經驗證對非傾斜圖片，識別率可達95%，對傾斜圖片亦可以達到90%以上。D--0,6--8,2--Z,A—4是比較容易識別出錯的字符。
語音播報
對字符正確識別之后，用事先對對每一個字符的錄音根據對應字符順序播放。在對車牌區域識別出錯、字體分割出錯時程序暫停，并有語音提醒。
存儲數據
播放結束之后對相應的識別出來的字符存儲到指定文件夾的txt文件內。并同時存儲對應時間。
最后，有需要歡迎通過微信公眾號聯系我們。
4.圖像匹配
在工業生產加工中，我們所檢測的零部件往往不是單一的，有時候會涉及各種各樣的零部件，通過模板匹配技術就可以實現。模板匹配可以用來做完整性檢測、區分不同類型的物體和得到目標物體在圖像中的位姿。模板的匹配有幾種不同的匹配方式：基于灰度值的匹配、使用圖形金字塔進行的匹配、基于灰度值的亞像素精度的匹配、帶旋轉和縮放的模板匹配。在應用匹配的時候我們主要是用來區分不同類型的物體，很多其他的技術都能分別出不同的物體，但對某種特殊類型的物體來說，實現一個可靠的識別算法是很復雜的。另外如果被識別物體經常發生變化。就必須為每種物體開發一個新的識別算法。通過模板匹配技術就可以實現上述功能。
5.提取亞像素邊緣
亞像素精度輪廓表示圖像中兩個區域之間的邊界，這兩個區域中一個區域的灰度值大于灰度閾值，而另一個區域的灰度值小于灰度閾值。為了獲得這個邊界我們需要將圖像的離散轉換成一個連續函數，而通過雙線插值的方法就能完成這種轉換。在零部件尺寸檢測的工業生產中，通過工業相機采集回來的零部件圖像往往都是像素精度的，在零部件尺寸檢測中我們需要達到比圖像像素分辨率更高的精度，因此從圖像中提取亞像素精度是達到高精度要求的唯一有效的途徑。調用edge_sub_pix算子、gen_polygons_xld算子、se—lect_contours_ xld、算子和union_straight_contours_xld算子，通過濾波器canny可以對零部件目標Region進行亞像素邊緣提取，并可以直接返回由像素點組成的邊緣，具有亞像素精度。
6.轉換為世界坐標
在圖像的分析與處理過程中，由于工業相機采集回來的圖像會出現一定程度上的畸變，那么這個時候我們就要對圖像進行一定程度的校正。
展開 已知的模式識別方法可分為四個大的方面：模板匹配、統計模式識別、語法及結構匹配和神經網絡，下面先對這四個方面進行簡單的闡述。
1、模板匹配
這時出現較早的一種方法，而且實現起來也較簡單，匹配是個通用的操作，用于定義兩個實體間的相似性程度，一般是采用二維模板，匹配的要素一般采用像素、曲線及形狀信息，當然在定義模板及相似性函數時要考慮到實體的姿態及比例問題，這種方法一般不需要訓練，實際上模板就是由訓練集建立起來的。
這種方法的主要缺點是處理圖像的扭曲效果不好，如圖像投影的畸變教嚴重時。
2、統計
每個模式都是d維空間中的一個點，目標就是選擇一些模式向量將不同的模式分配到不同的模式空間的區域上，對于每個類別給定的訓練集，在模式空間中建立一些分割邊界將不同的模式分到不同的類別中，統計方法中，這個邊界是基于每個類的模式的概率分布的，這點必須預先知道或通過學習獲得，學習就分參數化和非參數化的，前者對應知道其分布需要估計其分布參數，這個由樣本空間可完成，而后者是采用核函數的方式進行估計，同時分割邊界一般是基于一定準則建立的，如最小均方誤差準則。
3、語法及結構分析
這種方法一般針對復雜模式提出的，一般將模式分為子模式一級，稱為基元。這種方法其難點是基元的提取及從訓練數據中提取語法、結構規則。
4、神經網絡
是一種復雜的并行的非線性系統，完成復雜的計算，網絡的最大特點就是從訓練數據中學習到輸入－輸出間的復雜關系，并對數據具有適應性。網絡的結構是千萬種，但最常用的就是前饋結構，如多層感知器及徑向基函數兩種。神經網絡中的隱層可完成特性的抽取及選擇功能，所以適應性很強，理論上，網絡模型等價于經典的統計方法，實際上統計信息就是從樣本中獲得。
本部分主要討論統計模式識別的方法，從操作的一些細節上進行討論，同時也討論的多種方法的優缺點。
展開 
模板匹配的相關專題、標簽、搜索
模板匹配的最新內容
傳統算法： 早期設備主要依賴傳統的圖像處理算法，如閾值分割、邊緣檢測、模板匹配、Blob分析等，來識別劃痕、臟污、亮點、暗點、 Mura（不均勻性）等常規缺陷。
人工智能（AI）與深度學習： 面對更為復雜、主觀性強的缺陷，如色斑、亮度不均、輕微閃爍等，傳統算法往往力不從心。
- 具備一鍵閃測功能，可自動識別和匹配模板，簡化操作流程。
2、Novator系列影像儀
- 結合了傳統影像測量與激光測量掃描技術，實現2.5D和3D復合測量。
- 支持頻閃照明和飛拍功能，大幅提升測量效率。
2018年，Opromolla等等人采用模板匹配、形態學濾波器等算法實現了用無人機跟蹤合作無人機，并在這一過程中融入導航信息。目前，類似無人機的機載探測仍然需要與地面信標機的配合，多用于地面搜索救援。
5.2融合探測
融合探測融合不同原理的探測方法，其中的關鍵性技術，是包含時空配準、特征融合等在內的多傳感器信息融合技術。
基于MATLAB，使用模板匹配法實現車牌的識別。具體包括將原圖灰度化，邊緣檢測，腐蝕操作，車牌區域定位，車牌區域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號碼。模型已調通，可直接運行。
VX8000系列閃測儀采用雙遠心高分辨率光學鏡頭，結合高精度圖像分析算法，在CNC數控模式下，儀器可以根據工件的形狀自動定位測量對象、匹配模板、測量評估和報告生成，真正實現一鍵快速準確的測量。
VX系列閃測儀：一鍵秒測，批量快速尺寸測量
閃測儀也叫一鍵式測量儀、快速圖像尺寸測量儀、一鍵影像測量儀，CNC模式下，只需按下啟動鍵，儀器即可根據工件的形狀自動定位測量對象、匹配模板、測量評價、報表生成，真正實現一鍵式快速精準測量。它的出現取代傳統尺寸測量儀器，讓尺寸測量更智能、更高效，更適合大批量測量場景。
圖5 基于AR的支架安裝狀態監測系統架構
以單獨支架狀態監測為基礎，面對整塊裝配區域的多個安裝位置的支架，可以通過模板匹配的方法，識別整個區域的所有支架狀態。如圖6所示，首先分割裝配區域的整體圖像，將支架與壁板分離，然后檢測每一支架的安裝狀態。查找裝配工藝數據庫，檢查出漏裝、反裝及型號錯誤問題，為現場操作人員提供安裝狀態的建議。
如下是你必需考慮的幾點：
確定你的目標,這可能是最重要的一步決定在這個檢測任務中你需要實現什么，檢測任務通常分為如下幾類：
1）測量或計量
2）讀取字符或編碼(條形碼)信息
3)檢測物體的狀態
4)認知和識別特殊的特性模式識別
5)將物體與模板進行對比或匹配
為機器或機器人導航檢測流程可以包含只有一個操作或包含多個與檢測任務相關的任務
如下是你必需考慮的幾點：
確定你的目標,這可能是最重要的一步決定在這個檢測任務中你需要實現什么，檢測任務通常分為如下幾類：
1）測量或計量
2）讀取字符或編碼(條形碼)信息
3)檢測物體的狀態
4)認知和識別特殊的特性模式識別
5)將物體與模板進行對比或匹配
為機器或機器人導航檢測流程可以包含只有一個操作或包含多個與檢測任務相關的任務
在深度學習中處理相似度問題最典型的是采用Siamese架構，SiamFC的網絡結構如下圖：
SiamFC網絡結構
2017
CFNet
CFNet采用孿生網絡的架構，訓練樣本（這里指用來匹配的模板）和測試樣本（搜索的圖像區域）通過一個相同的網絡，然后只將訓練樣本做相關濾波操作，形成一個對變化有魯棒性的模板
