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：

1. 平方差匹配法CV_TM_SQDIFF
2. 归一化平方差匹配法CV_TM_SQDIFF_NORMED
3. 相关匹配法CV_TM_CCORR
4. 归一化相关匹配法CV_TM_CCORR_NORMED
5. 相关系数匹配法CV_TM_CCOEFF
6. 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()

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 = 0;              // 待匹配图像相关数据
    float *templBuf = 0;            // 模板图像数据
    double *sumBuf = 0;             // 待匹配图像遍历块单行和
    double *sqsumBuf = 0;           // 待匹配图像遍历块单行平方和
    double *resNum = 0;             // 模板图像和待匹配图像遍历块内积
    double *resDenom = 0;           // 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 = 0;          // 模板图像均分差倒数
    double templSum = 0;            // 模板图像累加和

    int winLen = templSize.width * templSize.height;
    double winCoeff = 1. / (winLen + DBL_EPSILON);          // + DBL_EPSILON 加一个小整数防止分母为零

    CvSize resultSize = cvSize( roiSize.width - templSize.width + 1,
                                roiSize.height - templSize.height + 1 );
    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, 1, 1,
                                             (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 = 0; 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 = 0; x < resultSize.width; x++ )
    {
        double sum = 0;
        double sqsum = 0;
        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 > 0 )
        {
            const float *src = pImage + x + templSize.width - 1;
            float *dst = imgPtr - 1;
            float out_val = dst[0];

            dst += templSize.width;

            for( y = 0; y < roiSize.height; y++, src += imageStep, dst += templSize.width )
            {
                float in_val = src[0];

                sumBuf[y] += in_val - out_val;
                sqsumBuf[y] += (in_val - out_val) * (in_val + out_val);
                out_val = dst[0];
                dst[0] = (float) in_val;
            }
        }

        for( y = 0; 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 = 0; 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 > 0 )                                                                 // 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 - 1];
                sum += sumBuf[y + templSize.height - 1];
                sqsum -= sqsumBuf[y - 1];
                sqsum += sqsumBuf[y + templSize.height - 1];
            }
            resNum[y] = res;
            resDenom[y] = sum;
            resDenom[y + resultSize.height] = sqsum;
        }

        for( y = 0; 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