引言

什么是模板匹配呢？

看到这里大家是否会觉得很熟悉的感觉涌上心头！在人脸识别是不是也会看见 等等。

模板匹配可以看作是对象检测的一种非常基本的形式。使用模板匹配，我们可以使用包含要检测对象的“模板”来检测输入图像中的对象。

一、匹配方法：cv2.matchTemplate(img, templ, method)

参数：（img： 原始图像、temple： 模板图像、method： 匹配度计算方法）

方法如下： 

cv2.TM_SQDIFF： 计算平方差，计算结果越小，越相关

公式：

cv2.TM_CCORR： 计算相关性，计算出来的值越大，越相关

公式：

cv2.TM_CCOEFF： 计算相关系数，计算出的值越大，越相关

公式：

cv2.TM_SQDIFF_NORMED： 计算归一化平方差，计算结果越接近0，越相关

公式：

cv2.TM_CCORR_NORMED： 计算归一化相关性，计算结果越接近1，越相关

公式：

cv2.TM_CCOEFF_NORMED： 计算归一化相关系数，计算结果越接近1，越相关

 公式：

 二、匹配单个对象

img代表原始图像，template代表模板窗口，1默认为cv2.TM_SQDIFF方法

res = cv2.matchTemplate(img, template, 1) 

 获取结果的最值和最值位置（最值位置是左上角的坐标位置，通过模板的宽和高可以在原图上把模板位置画出来）

min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)

 完整的代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
img=cv2.imread('C:/Users/bwy/Desktop/7.png',0)
template=cv2.imread('C:/Users/bwy/Desktop/8.png',0)
methods=['cv2.TM_CCOEFF','cv2.TM_CCOEFF_NORMED','cv2.TM_CCORR','cv2.TM_CCORR_NORMED'
        ,'cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED']
for meth in methods:
    img3=img.copy()
    method=eval(meth)
    print(meth)
    res1=cv2.matchTemplate(img,template,method)
    min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res1)
    if method in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]:
        top_left=min_loc
    else:
        top_left=max_loc
    bottom_right=(top_left[0]+w,top_left[1]+h)
    #俩矩形
    cv2.rectangle(img3,top_left,bottom_right,255,2)
    plt.subplot(121),plt.imshow(res1,cmap='gray')
    plt.xticks([]),plt.yticks([])#隐藏坐标轴
    plt.subplot(122),plt.imshow(img3,cmap='gray')
    plt.xticks([]),plt.yticks([])#隐藏坐标轴
    plt.suptitle(meth)
    plt.show()

结果如图所示：

 多次实验你会发现归一的方法更准确。

 三、匹配多个对象

 1.导包构建函数

import cv2
import numpy as np
import matplotlib.pyplot as plt
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 2.读入图像转灰度图，改大小。

im=cv2.imread('C:/Users/bwy/Desktop/9.png')
TE=cv2.imread('C:/Users/bwy/Desktop/10.png',cv2.IMREAD_GRAYSCALE)
im1=cv2.resize(im,(600,337))
cv_show('im',im1)
img_=cv2.cvtColor(im1,cv2.COLOR_BGR2GRAY)
TE=cv2.resize(TE,(60,60))
TE.shape

 3.图像匹配

h,w=TE.shape[:2]
r=cv2.matchTemplate(img_,TE,cv2.TM_CCOEFF_NORMED)
cv_show('r',r)

 结果如图所示：

4.取匹配程度大于75%的坐标 ，画在原图上

其中：zip(*) 可理解为解压，返回二维矩阵式。loc中loc[0]是高，loc[1]是宽，[::-1]表示倒序。p[0]代表宽，p[1]代表高

threshold=0.75
loc=np.where(r>=threshold)
for pt in zip(*loc[::-1]):#*代表可选参数
    bottom_right=(pt[0]+w,pt[1]+h)
    cv2.rectangle(im1,pt,bottom_right,(0,0,255),1)
cv_show('im1',im1)

 结果如图所示：