边缘模板匹配的基本原理
OpenCV中自带的模板匹配算法，完全是像素基本的模板匹配，特别容易受到光照影响，光照稍微有所不同，该方法就会歇菜了！搞得很多OpenCV初学者刚学习到该方法时候很开心，一用该方法马上很伤心，悲喜交加，充分感受到了理想与现实的距离，不过没关系，这里介绍一种新的模板匹配算法，主要是基于图像边缘梯度，它对图像光照与像素迁移都有很强的抗干扰能力，在工业应用场景中已经得到广泛使用。基本原理主要是基于梯度跟边缘实现NCC计算与匹配，首先计算梯度：
然后基于梯度，实现非最大抑制与边缘提取以后，就得到了所有的边缘点集，每个边缘点有三个值，分别是：
x方向梯度、
y方向梯度、
xy方向梯度
然后对输入的每张图像，根据模板图像的每个边缘点计算NCC，得到匹配阈值，开启匹配搜索：
如果其中任何一个点的匹配阈值小于minScore就停止搜索与匹配当前像素点，继续搜索下一个，直到遍历完成所有像素点，得到匹配得分图像。然后采用跟NCC相似的处理，去重以后得到最终匹配结果。
代码实现与演示
说实话我也不是从零开始的，之前我写过一个版本，但是我发现一个别人写好的一个原始版本，好像是这个算法的作者自己写，基于OpenCV3.x版本完成的，链接如下：
https://github.com/daxiaHuang/edge-template-match/tree/master
同时原始版本 不支持 多角度、多对象、多尺度，所以我在这个上面一通狂改，就让它各种支持了，这个大概花了我三天时间。最终我给他们封装成两个类，配合上Qt C++ 的一个界面，通过点点鼠标即可运行。客户端直接调用API即可，客户端代码如下：
task.initailization(tpl); double start = (double)cv::getTickCount(); task.detect(target, results); float time = (((double)cv::getTickCount() - start)) / cv::getTickFrequency(); std::cout << "edge template match execute time: " << time << std::endl; for (auto item : results) { for (auto pt : item.pts) { cv::circle(result, pt, 1, cv::Scalar(0, 255, 0), 1, 8); } cv::RotatedRect rrt = cv::minAreaRect(item.pts); cv::Point2f minbox[4]; rrt.points(minbox); for (int r = 0; r < 4; r++) { cv::line(result, minbox[r], minbox[(r + 1) % 4], cv::Scalar(0, 0, 255), 2, 8); } std::cout << "conf: " << item.conf << std::endl; cv::putText(result, cv::format("conf:%.2f, angle:%d", item.conf, item.angle), item.center, cv::FONT_HERSHEY_SIMPLEX, .5, cv::Scalar(255, 0, 0), 1, 8); } cv::imshow("边缘模板匹配", result); cv::waitKey(0);
边缘匹配运行结果 - 测试一
速度测试数据：执行时间: 126.06 ms
速度测试数据：执行时间: 229.82 ms
速度测试数据：执行时间: 117.60 ms
速度测试数据：执行时间: 405.60 ms
最后一张测试目标图像大小为 830x822，目标数目为13
最后说明
演示基于QT + OpenCV C++ 完成，源码购买站内私信博主即可！
