一：函數(shù)介紹

1.創(chuàng)建模板

create_shape_model(Template?: :?NumLevels,?AngleStart,?AngleExtent,?AngleStep,?Optimization,?Metric,?Contrast,?MinContrast?:?ModelID)

Template?：模板圖像

NumLevels：圖像金字塔級(jí)數(shù)，該值越小，模板匹配耗時(shí)越長(zhǎng)，可設(shè)置自動(dòng)-‘Auto’，可使用get_shape_model_params來獲取模板所有參數(shù)，包括級(jí)數(shù)。

AngleStart：模板起始角度。

AngleExtent：模板角度幅度，若目標(biāo)有旋轉(zhuǎn)，模板需做不同角度。

AngleStep：角度步長(zhǎng)，可設(shè)置自動(dòng)-‘Auto’。

注：若選擇預(yù)生產(chǎn)模式，不同角度的模板在創(chuàng)建模板時(shí)生成。否則在匹配find_shape_model時(shí)生成，這樣無疑會(huì)耗費(fèi)更長(zhǎng)的模板匹配時(shí)間。

Optimization：模板點(diǎn)儲(chǔ)存模式，設(shè)為’none’時(shí)，全點(diǎn)儲(chǔ)存，若選擇點(diǎn)較少時(shí)，匹配分值可能較低。當(dāng)設(shè)為’auto’時(shí)，點(diǎn)數(shù)自動(dòng)減少。當(dāng)模板較小時(shí)，較少點(diǎn)數(shù)并不會(huì)降低模板匹配時(shí)間，因?yàn)閷⒂懈嗟目赡艿膶?shí)例必須被檢查。所以當(dāng)模板較大時(shí)，可較少點(diǎn)數(shù)，用于提速。

Metric：圖像與模板中對(duì)比度差異不大時(shí),選擇'use_polarity'；設(shè)為'ignore_global_polarity'，只有對(duì)比度相反的對(duì)象才會(huì)被發(fā)現(xiàn)，且模板與噪聲區(qū)分開來。在可提取完整模板信息的前提下，設(shè)置偏大，可減少噪聲提取。

ModelID：輸出創(chuàng)建模板ID。

?

2.查找模板

find_shape_model(Image?: :?ModelID,?AngleStart,?AngleExtent,?MinScore,?NumMatches,?MaxOverlap,?SubPixel,?NumLevels,?Greediness?:?Row,?Column,?Angle,?Score)

Image：搜索圖像

ModelID：模板ID

AngleStart：搜索起始角度

AngleExtent：搜索角度幅度。匹配時(shí)，從圖像Image中搜索設(shè)定角度范圍內(nèi)的模板。

MinScore:最小匹配分值,大于該分值才可被搜索到.參數(shù)MinScore定義模板匹配時(shí)至少有個(gè)什么樣的質(zhì)量系數(shù)才算是在圖像中找到模板。MinScore設(shè)置的越大,搜索的就越快。如果模板在圖像中沒有被遮擋，MinScore可以設(shè)置為0.8這么高甚至0.9。

NumMatches：匹配個(gè)數(shù)。若滿足匹配分值的結(jié)果個(gè)數(shù)大于該值NumMatches，則返回質(zhì)量系數(shù)最好的結(jié)果；若滿足匹配分值的結(jié)果個(gè)數(shù)小于等于該值NumMatches，則返回的所有滿足匹配分值的結(jié)果；設(shè)為0時(shí)，返回所有滿足分值的結(jié)果。

MaxOverlap：如果模型具有對(duì)稱性，會(huì)在搜索圖像的同一位置和不同角度上找到多個(gè)與目標(biāo)匹配的區(qū)域。參數(shù)MaxOverlap是0到1之間的，定義了找到的兩個(gè)目標(biāo)區(qū)域最多重疊的系數(shù)，以便于把他們作為兩個(gè)不同的目標(biāo)區(qū)域分別返回。如果找到的兩個(gè)目標(biāo)區(qū)域彼此重疊并且大于MaxOverlap，僅僅返回效果最好的一個(gè)。重疊的計(jì)算方法是基于找到的目標(biāo)區(qū)域的任意方向的最小外接矩形(看smallest_rectangle2)。如果MaxOverlap=0,?找到的目標(biāo)區(qū)域不能存在重疊,?如果MaxOverla p=1，所有找到的目標(biāo)區(qū)域都要返回。

SubPixel：精度控制，該參數(shù)的選擇影響定位結(jié)果參數(shù)（位置，角度，縮放比例）。精度越高速度越慢。None(不使用亞像素-100%)-'interpolation'（差值亞像素-100%-0.079）-'least_squares_high'（最小二乘亞像素-120%-0.025）-'least_squares_high'（最小二乘亞像素-131%-0.014）- 'least_squares_very_high'（最小二乘亞像素-142%-0.013）,【方法（解釋-耗時(shí)-角度誤差）】

NumLevels：搜索時(shí)使用金字塔層數(shù).如果NumLevels=0，使用創(chuàng)建模板時(shí)金字塔的層數(shù)。

Greediness：用于控制定位加速。該值越大，速度越快，找丟模板的幾率也越大。推薦值0.7-0.9.

?

二、Shape-Based matching的基本流程

???HALCON提供的基于形狀匹配的算法主要是針對(duì)感興趣的小區(qū)域來建立模板，對(duì)整個(gè)圖像建立模板也可以，但這樣除非是對(duì)象在整個(gè)圖像中所占比例很大，比如像視頻會(huì)議中人體上半身這樣的圖像，我在后面的視頻對(duì)象跟蹤實(shí)驗(yàn)中就是針對(duì)整個(gè)圖像的，這往往也是要犧牲匹配速度的，這個(gè)后面再講。基本流程是這樣的，如下所示：
????1. 首先確定出ROI的矩形區(qū)域，這里只需要確定矩形的左上點(diǎn)和右下點(diǎn)的坐標(biāo)即可，gen_rectangle1()這個(gè)函數(shù)就會(huì)幫助你生成一個(gè)矩形，利用area_center()找到這個(gè)矩形的中心；?
????2. 然后需要從圖像中獲取這個(gè)矩形區(qū)域的圖像，reduce_domain()會(huì)得到這個(gè)ROI；這之后就可以對(duì)這個(gè)矩形建立模板，而在建立模板之前，可以先對(duì)這個(gè)區(qū)域進(jìn)行一些處理，方便以后的建模，比如閾值分割，數(shù)學(xué)形態(tài)學(xué)的一些處理等等；

????3. 接下來就可以利用create_shape_model()來創(chuàng)建模板了，這個(gè)函數(shù)有許多參數(shù)，其中金字塔的級(jí)數(shù)由Numlevels指定，值越大則找到物體的時(shí)間越少，AngleStart和AngleExtent決定可能的旋轉(zhuǎn)范圍，AngleStep指定角度范圍搜索的步長(zhǎng)；這里需要提醒的是，在任何情況下，模板應(yīng)適合主內(nèi)存，搜索時(shí)間會(huì)縮短。對(duì)特別大的模板，用Optimization來減少模板點(diǎn)的數(shù)量是很有用的；MinConstrast將模板從圖像的噪聲中分離出來，如果灰度值的波動(dòng)范圍是10，則MinConstrast應(yīng)當(dāng)設(shè)為10；Metric參數(shù)決定模板識(shí)別的條件，如果設(shè)為’use_polarity’，則圖像中的物體和模板必須有相同的對(duì)比度；創(chuàng)建好模板后，這時(shí)還需要監(jiān)視模板，用inspect_shape_model()來完成，它檢查參數(shù)的適用性，還能幫助找到合適的參數(shù)；另外，還需要獲得這個(gè)模板的輪廓，用于后面的匹配，get_shape_model_contours()則會(huì)很容易的幫我們找到模板的輪廓；

????4. 創(chuàng)建好模板后，就可以打開另一幅圖像，來進(jìn)行模板匹配了。這個(gè)過程也就是在新圖像中尋找與模板匹配的圖像部分，這部分的工作就由函數(shù)find_shape_model()來承擔(dān)了，它也擁有許多的參數(shù)，這些參數(shù)都影響著尋找模板的速度和精度。這個(gè)的功能就是在一幅圖中找出最佳匹配的模板，返回一個(gè)模板實(shí)例的長(zhǎng)、寬和旋轉(zhuǎn)角度。其中參數(shù)SubPixel決定是否精確到亞像素級(jí)，設(shè)為’interpolation’，則會(huì)精確到，這個(gè)模式不會(huì)占用太多時(shí)間，若需要更精確，則可設(shè)為’least_square’,’lease_square_high’，但這樣會(huì)增加額外的時(shí)間，因此，這需要在時(shí)間和精度上作個(gè)折中，需要和實(shí)際聯(lián)系起來。比較重要的兩個(gè)參數(shù)是MinSocre和Greediness，前一個(gè)用來分析模板的旋轉(zhuǎn)對(duì)稱和它們之間的相似度，值越大，則越相似，后一個(gè)是搜索貪婪度，這個(gè)值在很大程度上影響著搜索速度，若為0，則為啟發(fā)式搜索，很耗時(shí)，若為1，則為不安全搜索，但最快。在大多數(shù)情況下，在能夠匹配的情況下，盡可能的增大其值。

????5. 找到之后，還需要對(duì)其進(jìn)行轉(zhuǎn)化，使之能夠顯示，這兩個(gè)函數(shù)vector_angle_to_rigid()和affine_trans_contour_xld()在這里就起這個(gè)作用。前一個(gè)是從一個(gè)點(diǎn)和角度計(jì)算一個(gè)剛體仿射變換，這個(gè)函數(shù)從匹配函數(shù)的結(jié)果中對(duì)構(gòu)造一個(gè)剛體仿射變換很有用，把參考圖像變?yōu)楫?dāng)前圖像。

?

三、基于形狀匹配的參數(shù)關(guān)系與優(yōu)化? ? ? ? ? ? ? ? ? ? ? ?

在HALCON的說明資料里講到了這些參數(shù)的作用以及關(guān)系，在上面提到的文章中也作了介紹，這里主要是重復(fù)說明一下這些參數(shù)的作用，再強(qiáng)調(diào)一下它們影響匹配速度的程度；
? ? 在為了提高速度而設(shè)置參數(shù)之前，有必要找出那些在所有測(cè)試圖像中匹配成功的設(shè)置，這時(shí)需考慮以下情況：
????① 必須保證物體在圖像邊緣處截?cái)?#xff0c;也就是保證輪廓的清晰，這些可以通過形態(tài)學(xué)的一些方法來處理；
????②?如果Greediness值設(shè)的太高，就找不到其中一些可見物體，這時(shí)最后將其設(shè)為0來執(zhí)行完全搜索；
????③ 物體是否有封閉區(qū)域，如果要求物體在任何狀態(tài)下都能被識(shí)別，則應(yīng)減小MinScore值；
? ? ④?判斷在金字塔最高級(jí)上的匹配是否失敗，可以通過find_shape_model（）減小NumLevels值來測(cè)試；
????⑤?物體是否具有較低的對(duì)比度，如果要求物體在任何狀態(tài)下都能被識(shí)別，則應(yīng)減小MinContrast值；
? ? ⑥?判斷是否全局地或者局部地轉(zhuǎn)化對(duì)比度極性，如果需要在任何狀態(tài)下都能被識(shí)別，則應(yīng)給參數(shù)Metric設(shè)置一個(gè)合適的值；
? ? ⑦?物體是否與物體的其他實(shí)例重疊，如果需要在任何狀態(tài)下都能識(shí)別物體，則應(yīng)增加MaxOverlap值；
? ? ⑧?判斷是否在相同物體上找到多個(gè)匹配值，如果物體幾乎是對(duì)稱的，則需要控制旋轉(zhuǎn)范圍；
?

如何加快搜索匹配，需要在這些參數(shù)中進(jìn)行合理的搭配，有以下方法可以參考：
? ? ?①??只要匹配成功，則盡可能增加參數(shù)MinScore的值；
? ? ?②??增加Greediness值直到匹配失敗，同時(shí)在需要時(shí)減小MinScore值；
? ? ?③??如果有可能，在創(chuàng)建模板時(shí)使用一個(gè)大的NumLevels，即將圖像多分幾個(gè)金字塔級(jí)；
? ? ?④??限定允許的旋轉(zhuǎn)范圍和大小范圍，在調(diào)用find_shape_model（）時(shí)調(diào)整相應(yīng)的參數(shù)；
? ? ?⑤??盡量限定搜索ROI的區(qū)域；
????除上面介紹的以外，在保證能夠匹配的情況下，盡可能的增大Greediness的值，因?yàn)樵诤竺娴膶?shí)驗(yàn)中，用模板匹配進(jìn)行視頻對(duì)象跟蹤的過程中，這個(gè)值在很大程度上影響到匹配的速度。
????當(dāng)然這些方法都需要跟實(shí)際聯(lián)系起來，不同圖像在匹配過程中也會(huì)有不同的匹配效果，在具體到某些應(yīng)用，不同的硬件設(shè)施也會(huì)對(duì)這個(gè)匹配算法提出新的要求，所以需要不斷地去嘗試。

?

總結(jié)

以上是生活随笔為你收集整理的Halcon：模版匹配的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。