模板形状匹配

基于当前的 match.cpp（以及背后的实现体系），我们已经实现了一个极为高效的、基于图像特征金字塔、结合 SIMD 与 Lazy Evaluation（局部 JIT 提取 ROI）的形状匹配框架，它在性能上已经表现出了极高的水准。

如果要进一步对标世界顶级的工业视觉软件 —— 比如 Cognex PatMax 和 Halcon 的 Shape-Based Matching (find_shape_model)，我们目前的架构在以下几个方面还有巨大的提升和借鉴空间，可以帮助算法从“跑得快”跃升到“鲁棒、万能且精度极高”的工业级杀手锏：

1. 连续空间下的联合亚像素拟合 (Continuous Sub-Pixel Refinement)
当前代码现状：目前我们的亚像素抽取可能大多基于像素级别的偏移（如 1D或孤立的抛物线拟合），然后根据单个维度调整角度获取 RefineAngle。
PatMax & Halcon 的做法：它们在最终(Level 0)确认目标时，不仅仅是看离散的像素分值，而是将边缘特征拉入一个 连续坐标系 (Continuous Space)。使用 Levenberg-Marquardt (LM) 算法或非线性最小二乘法 (Non-Linear Least Squares)，将 X, Y, Angle 甚至 Scale 作为联合变量，对着图像底层实际的亚像素级灰度梯度面求解极小值。
借鉴方向：在 final_refine 确认最佳候选后，增加一个优化步骤，将模板的理想特征边缘点映射到 Level 0，然后利用牛顿法迭代微调 (tx, ty, theta) 直到方程收敛。这样能将精度稳稳压入甚至超越 1/40 像素（PatMax 宣称的精度界限）。
2. 对比度变异与极性解耦 (Polarity & Contrast Invariance)
当前代码现状：我们通过提取边缘梯度的量化方向特征 (Quantized Image / 0~15 离散方向) 来抗拒一定光照。但这通常带有强烈的**极性 (Polarity)**约束。
PatMax 的做法：PatMax 提供极为丰富的特征判定模式（Ignore Polarity，Use Polarity）。当光照反转（例如从打正光变成背光，亮斑变暗斑）时，只要几何拓扑不变，它依然能找出来。
借鉴方向：在现有的特征匹配算子中，允许角度方向差值为 180 度（或量化梯度的对立面）时计入有效得分。甚至可以将梯度幅度（Magnitude）归一化，使得特征的强弱不再绝对依赖于梯度的绝对值，从而实现针对过曝或局部阴影的超强鲁棒性。
3. “杂点 / 遮挡” 惩罚机制 (Clutter Optimization)
当前代码现状：目前分值 ComputeShapeScore 是通过计算“模板特征命中率”得出的。这处理遮挡（Occlusion）是可以的，只要剩下的特征够多分数就高。
Halcon 的做法：Halcon 在计算 Match Score 时，不止看“应该有的边缘到底有没有”，它还会做杂点检测 (Clutter) —— “模板区域内是不是多出了本不该有的杂乱边缘？” 如果在不该有边缘的地方出现了大量强梯度，说明这可能是个背景噪声，Halcon 会对其进行严重降分惩罚。
借鉴方向：在统计命中的同时，计算目标包围框内非特征点的梯度能量，如果非特征区域存在大量高亮边缘，降低其可信度（Score -= Clutter_Penality），这极大地减少了在极其复杂的杂乱背景下产生的误报（False Positives）。
4. 非等比重放与形变 (Anisotropic Scaling & Perspective)
当前代码现状：通常通过传入一组 angles_ 暴力生成了刚体变换的离散模板集。如果在摄像头倾斜的环境下发生了透视畸变，模板便会失效。
PatMax & Halcon 的做法：支持 Anisotropic Scale（X 和 Y 独立缩放，解决相机轻微非直角安装导致的形变），甚至提供 Deformable Matching。其底层并非暴力展开成成千上万个模板（内存撑不住），而是通过跟踪边缘链表（Edgels）的拓扑关系进行弹性图匹配。
借鉴方向：我们目前的框架无需完全重构，但可以引入一个“仿射变换矩阵微调金字塔”。在 Level 1 或 Level 0 命中时，对提取到的 ROI 点集计算一个仿射变换矩阵（Affine Transform），去补全由于观察角度产生的尺寸和剪切（Shear）偏差。
5. 分支限界法搜索剪枝 (Branch and Bound pruning)
当前代码现状：顶层 top_level 依然是跑满整个 global_score_map 来找到最优点，然后逐层传递。
Halcon 的做法：为了在即使极其庞大的搜索空间下也保持 10ms 级别的搜索速度，Halcon 使用了高级的分支限界（Branch and Bound）或距离变换启发式搜索。预先通过图像的稀疏结构树直接跳过完全没有可能存在高梯度的区域，而不是对每一个滑动窗口应用模板检查。
借鉴方向：现在的代码利用了 std::max(para...) 作为一些下限约束。我们可以进一步将顶层图像转为类似于“积分距离图像”或“边缘四叉树”，一旦检测到目前块区域的最优期望无法超越当前的候选池中最小分数，则直接成块跳过 (Skip ROI block)，而不用进入耗时的 cx, cy 坐标循环。
总结
我们的这套代码目前已经抓住了工业匹配程序的三个精髓：金字塔加速、特征离散化 (Quantization) SIMD 计算、Lazy ROI Evaluation。如果在未来版本中，引入了 LM迭代亚像素求精 和 极性独立/杂点惩罚机制，这套框架在底层逻辑上将完全具备抗衡乃至替换大部分商业软件中核心识别功能的潜力。

我们可以逐一将这些特性列入后续优化的 Roadmap 中。如果您希望我们在某一个点（例如先加入亚像素连续拟合，或是极性解耦）上动手写实现方案，随时告诉我！

Finalized output format and confirmed requirements met
经过刚才对代码（包括 match 的金字塔架构、非极大值抑制 NMS 和特征量化）的深入分析，我们目前的框架在执行宏观的“建立模板 -> 图像量化 -> 金字塔降采样提速 -> 局部匹配评分”这套思路上已经极为成熟。

但是，若以 Cognex PatMax 和 Halcon Shape-Based Matching 这两大工业视觉界的天花板作为对标，当前代码在架构深度、特征鲁棒性和亚像素精度提取上，还有以下几个极其关键的方向可以借鉴深化：

1. 亚像素精度的多维曲面拟合 (3D Sub-pixel Paraboloid Fitting)
当前现状：我们的代码大多在获取到了整数像素的最优角度或坐标后，进行 1D 的抛物线拟合（例如单拿 X、Y 或者单拿 Angle 进行抛物线最高点插值）。
Halcon/PatMax 策略：它们在金字塔的最底层（Level 0）通常不只是做离散的偏移，而是将位置偏差 (Δx, Δy) 和角度偏差 (Δθ)，甚至缩放 (ΔS) 作为连续变量，构成一个目标函数（如最小二乘边缘能量响应）。通过 Levenberg-Marquardt (LM) 算法 或 高斯-牛顿法，直接在连续的灰度梯度场（或者是经过 B-Spline 解析重构的连续图像域）上求解极值。
可借鉴的改进：在目前的 RefineAngle 或 FinalRefine 阶段后，引入一个基于牛顿迭代的 FitSubPixel(x, y, angle) 函数，将 [x, y, angle] 作为 3D 向量进行联合泰勒展开求导，实现更平滑的 0.01 像素/0.01 度级别的绝对亚像素精度。
2. 极性（Polarity）的解耦与多态支持
当前现状：目前利用分级（QuantizedGradient16）直接比较边缘的指向，对边缘梯度的绝对方向要求比较死（例如从黑到白，还是从白到黑）。
Halcon/PatMax 策略：工业核心算法通常允许配置模板极性：
Use Polarity (严格匹配极性)：背景黑物体白，严格区分内外。
Ignore Polarity (忽略极性)：背景白物体黑，也能匹配上（通过计算梯度方向与模板特征方向的绝对余弦值 |cos(Δθ)| 或 取模 (dir + 180)%360 ）。
可借鉴的改进：在 SIMD 计算循环（ComputeShapeScoreFast）中，引入一个 bool ignore_polarity。在对比量化特征（0-15）时，如果忽略极性，则将方向差距自动按相差 8（即 180°）进行折叠处理（例如 score = max(scorePattern, scorePatternReverse)），极大增强在光照反转（如背光到正打光）场景的泛化能力。
3. 干扰度/遮挡评估 (Clutter & Occlusion Penalty)
当前现状：目前的得分（Score）本质上是“特征点对齐的数量与权重法则”（Inlier Ratio），多少个特征点找到了落脚点得分就是多高。
Halcon/PatMax 策略：Halcon 对输出有 Score 和 Clutter 两个维度的严格评价。如果在一个模板区域内，除了匹配上的特征边界外，还存在大量杂乱的强边缘（这意味着这可能是一堆废品，只是凑巧边缘重合），Halcon 会产生严重的降分惩罚（Clutter Penalty）。
可借鉴的改进：在 Level 0 计算完 Score 后，反向统计“图像 ROI 内存在，但模板并未声明的强梯度边缘像素数量”。将这个值作为 clutter_score 扣除总分，这样能大幅降低凌乱背景或背景网格造成的“高分误识别假阳性（False Positives）”。
4. 连续的形变（Anisotropy & Perspective）与尺度（Scale）支持
当前现状：目前的架构是硬编码遍历固定的角度（Angle），如果未来要支持缩放（Scale），可能只能通过建立更高密度的(Angle, Scale) 四维模板库来实现，极度消耗内存。
Halcon/PatMax 策略：PatMax 允许 XY 独立非等比例缩放（Anisotropic Scaling）。它们不依靠穷举所有缩放模板，而是在粗定位（Coarse）后，将“模板的几何特征拓扑图”（点云或者链码）通过一个动态的仿射变换矩阵（Affine Transform Matrix）直接投影到目标图像上重新采样，以此验证是否贴合。
可借鉴的改进：分离“搜索策略”与“验证策略”。现在的金字塔负责以固定模板去找大概位置（粗定位），而在 final_refine 时，可以直接拿一个参考模板（Reference Template）的坐标系点集向量，乘上动态的 [cos θ, -sin θ; sin θ, cos θ] * scale 矩阵生成实时浮点坐标特征点进行双线性插值验证，从而解放内存，优雅地支持无穷多样的尺度与长宽拉伸验证。
5. 更聪明的树形搜索策略（Tree-Search Space Pruning）
当前现状：在 Top Level 仍然是嵌套的双层循环 for(angle) -> for(y) -> for(x)（或者 for(y) -> for(angle)），尽管加了 OpenMP，本质上还是全域强力搜索（Brute Force in Sub-sampled space）。
Halcon/PatMax 策略：通过构建高维的 K-D Tree 或者利用 Branch-and-Bound（分支定界算法）。在遍历角度时，利用相似角度之间的特征重合率，如果某个坐标块的“基础阈值”达不到数学上的理论最高得分（Upper Bound），连余下的角度集都不会再去遍历，成批地跳过毫无希望的像素块。
可借鉴的改进：在 TopLevel 提取阶段，可以维护一个 3x3 空间加上 3个角度的局部 Upper Bound Map，引入分支定界提前切断低分循环，避免计算 global_score_map 中那些极其离谱的空白区域