1. 什么是模板匹配？
模板匹配是一种用于在源图像S中寻找定位给定目标图像T（即模板图像）的技术。其原理很简单，就是通过一些相似度准则来衡量两个图像块之间的相似度Similarity(S,T)。 . 模板匹配方法的优缺点：
优点：简单、直接
缺点：不具有旋转不变性、不具有尺度不变性
首先，参看上图。假设褐色的大图为待测图片，红色小图为模板图片。
模板匹配的工作方式
模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。
假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：
（1）从输入图像的左上角(0,0)开始，切割一块(0,0)至(10,10)的临时图像；
（2）用临时图像和模板图像进行对比，对比结果记为c；
（3）对比结果c，就是结果图像(0,0)处的像素值；
（4）切割输入图像从(0,1)至(10,11)的临时图像，对比，并记录到结果图像；
（5）重复（1）～（4）步直到输入图像的右下角。
大家可以看到，直方图反向投影对比的是直方图，而模板匹配对比的是图像的像素值；模板匹配比直方图反向投影速度要快一些，但是我个人认为直方图反向投影的鲁棒性会更好。
备注: 滑动的意思是图像块一次移动一个像素(从左往右,从上往下). 在每一个位置, 都进行一次度量计算来表明它是 “好” 或 “坏” 地与那个位置匹配 (或者说块图像和原图像的特定区域有多么相似).
C++: void matchTemplate(InputArray image,InputArray templ, OutputArray result, int method)
image: 搜索对象图像 It must be 8-bit or 32-bit floating-point.
templ:模板图像，小于image，并且和image有相同的数据类型
result:比较结果必须是单通单32位浮点数
method：比较算法总共有六种如下所示
method=CV_TM_SQDIFF_NORMED
method=CV_TM_CCORR_NORMED1）Square difference matching method (method = CV_TM_SQDIFF) 平方差
2）Correlation matching methods (method = CV_TM_CCORR) 互相关
3）Correlation coefficient matching methods (method = CV_TM_CCOEFF) 相关系数
4）上述三种方法的归一化形式（目的是为了减少光照的影响）
1.result中数据的含义。
模板匹配函数cvMatchTemplate依次计算模板与待测图片的重叠区域的相似度，并将结果存入映射图像result当中，也就是说result图像中的每一个点的值代表了一次相似度比较结果。
2.result的尺寸大小。
如图可知，模板在待测图像上每次在横向或是纵向上移动一个像素，并作一次比较计算，由此，横向比较W-w+1次，纵向比较H-h+1次，从而得到一个 （W-w+1）×（H-h+1）维的结果矩阵，result即是用图像来表示这样的矩阵,因而图像result的大小为（W-w+1）×（H-h+1）。
3.如何result中获得最佳匹配区域
使用函数cvMinMaxLoc(result,&min_val,&max_val,&min_loc,&max_loc,NULL); 从result中提取最大值（相似度最高）以及最大值的位置（即在result中该最大值max_val的坐标位置max_loc，即模板滑行时左上角的 坐标，类似于图中的坐标（x,y）。）
由此得到：rect=cvRect(max_loc.x,max_loc.y,tmp->width,tmp->height);rect表示的矩形区域即是最佳的匹配区域。
确定矩形位置是使用的是max_loc，原来这个跟匹配时采用的方法参数有关，具体如下：
关于参数method：
CV_TM_SQDIFF 平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。
CV_TM_CCORR 相关匹配法：该方法采用乘法操作；数值越大表明匹配程度越好。
CV_TM_CCOEFF 相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
CV_TM_SQDIFF_NORMED 归一化平方差匹配法
CV_TM_CCORR_NORMED 归一化相关匹配法
CV_TM_CCOEFF_NORMED 归一化相关系数匹配法代码实现:
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
/**********************************************************
*
* input:
* argc-----current mass center point
* argv-----previous mass center point
*
**********************************************************/
int main(int argc,char **argv)
{
Mat pFrame;//read frame from video
Mat pFrameGray;
VideoCapture pCapture;
pCapture.open("./plane.mov");
if(!pCapture.isOpened())
{
cout<<"open video error"<<endl;
return -1;
}
Mat temp;
temp = imread("./plane.png",0);//read a gray template
if(!temp.data)
{
cout<<"read template pic error"<<endl;
return -1;
}
namedWindow("template tracking");
moveWindow("template tracking",100,100);
Mat result;//save template match result
while(1)
{
pCapture.read(pFrame);//read a frame from video
cvtColor(pFrame,pFrameGray,CV_BGR2GRAY);
matchTemplate(pFrameGray,temp,result,TM_SQDIFF);
//location
double minValue;
double maxValue;
//location point
Point minLocP;
Point maxLocP;
//match locat
minMaxLoc(result,&minValue,&maxValue,&minLocP,&maxLocP,Mat());
rectangle(pFrame,Rect(minLocP.x,minLocP.y,temp.cols,temp.rows),Scalar(0,0,255),2,8,0);
imshow("template tracking",pFrame);
waitKey(33);
}
return 0;
}其中template为：
实验最后效果如下图所示
可以看出效果还是很不错的
