模版匹配

        模版匹配是一种计算机视觉技术，用于图像或者视频中查找特定的模版或者对象，查找模版可以是数字或者是物体，技术通过在目标图像中寻找与模版图像相似的区域来实现匹配。这种技术最早起源在 20世纪70年代 的图像处理领域。

        使用模版匹配通常需要提供，参考模版openmv自动进行匹配，匹配成功，就能识别。

归一化互相关 (Normalized Cross-Correlation, NCC)

        NCC 是一种有效的匹配度量方法，通过计算模板图像和目标图像区域的相关性来确定相似度。NCC 可以减轻光照变化和对比度变化的影响，使匹配结果更好。

        openmv使用的算法是NCC，这里有一个雷，这种匹配算法，对于相同匹配对象，大小跟角度要相似，与参考图片不同大小不同角度，不能识别。这种情况建议是，多生成几张不同角度，不同远近的相同对象的 .pgm 识别图片，作为参考。

使用模版匹配识别数字

插入SD卡

        openmv的自带flash很小，只有111kB使用模版匹配数字，需要再U盘中保存，识别图片，这里图片要注意是  .pgm格式，自带flash很小保存不了几张图片，所以需要插入SD卡，openmv最大支持32G的内存卡。

保存参考图片

        雷点，这里用来识别的图片一定要小，不然就会Region of interest is smaller than template!也就是提示，roi区域比模版图片小。

        使用openmv开发IDE工具保存需要识别的图片，运行  helloworld.py文件。

        上面运行之后，摄像头对准要识别的物体，不要动，关闭IDE中的连接按钮，这个时候会有张图片保存在IDE中的显示图像区域，这个时候左键截取出需要识别的图片，右键保存在openmvU盘中。

转换图片格式

        这个时候将识别图片放到U盘之后，但是IDE保存图片的格式是bmp文件格式，这种图片格式不是需要的，需要的是pgm格式，借用下面网站将图片进行格式转换。

BMP轉PGM轉換器。在线自由 — Convertio

调用程序

        保存了识别图片之后，这里在历程IDE中调用，模版匹配示例程序。

        这里需要将，代码中识别图片路径改一下，改成自己的pgm图片路径。

        路径的话，是对U盘的相对路径，改一下就好了。

        改完之后，运行程序识别需要识别的物体，这里注意图片在摄像头中的大小和角度要与模版相似，看看识别效果。

注意事项

        openmv在进行模版匹配的时候，模版图像的大小对性能和准确性有很大的影响，模版图像不应该超过图像分辨率的 1/4。

        应该范围在 20*20到40*40之间，这种尺寸可以保证一定精度的同时，不会对计算机资源产生过大的压力。同时模版图像应该，包含明显特征方便在视频中进行有效匹配。在官方提供的历程里面，模版图像的大小要求限制在，32*32 pixel。

查看图像像素

        这里在U盘里面，打开图像左上角可以看到图片的像素

        在规定像素之内，然后就将bmp格式转换为pgm格式就可以了。

如何截取规定像素图片

sensor.set_windowing(0,0,32,32)

        这里调用函数将IDE中window显示窗口，大小设置为32*32在窗口中截取，需要图片，像素规格也就只能是32*32。这样也就不用怕像素超标了。

运行模版匹配识别效果

        前面有讲过，只有在图像中大小匹配，才能识别，这里还有一点只有在roi感兴趣区域，才能识别下面也会讲，调用识别的函数。

                        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        很鸡肋很鸡肋，有点拿远了识别不了，拿近了也不行，角度不对也不行，还得再roi区域内。

相关调用识别函数

image.find_template(template, threshold, [roi, step, search])

        这个是openmv提供用来模版匹配的函数，在图像中搜索与给定模版匹配的区域，返回最佳匹配的位置，和得分。

函数参数讲解

template参数，模版图像，通常是一个较小的灰度图像，包含希望在图像中要找的对象

threshold参数， 类型为 float类型，参数取值范围在 0~1 之间，取值越大要求图像与模版匹配度越高，就越难识别，越小匹配度越低，就容易造成识别错误，通常取值在0.7~0.8之间。      

roi参数，类型为元组默认取值为 roi = (10,0,60,60)，用来设置感兴趣区域，识别图像不在感兴趣区域则不进行模版匹配 。格式为roi = (x ,y ,w ,h)

step参数，类型为int 步长参数，步长越大匹配速度越快，同时精度下降，默认为1，如果没有进行填写

search参数，模版匹配搜索类型，这个参数有两种类型 SEARCH_EX 和 SEARCH_DX 前者是穷举搜索，适用于小图像高精度的搜索，后者是菱形搜索，适合大图像和低精度的搜索要求。识

识别数字代码

# Template Matching Example - Normalized Cross Correlation (NCC)
#
# This example shows off how to use the NCC feature of your OpenMV Cam to match
# image patches to parts of an image... expect for extremely controlled enviorments
# NCC is not all to useful.
#
# WARNING: NCC supports needs to be reworked! As of right now this feature needs
# a lot of work to be made into somethin useful. This script will reamin to show
# that the functionality exists, but, in its current state is inadequate.import time, sensor, image
from image import SEARCH_EX, SEARCH_DS# Reset sensor
sensor.reset()# Set sensor settings
sensor.set_contrast(1)
sensor.set_gainceiling(16)
# Max resolution for template matching with SEARCH_EX is QQVGA
sensor.set_framesize(sensor.QQVGA)
# You can set windowing to reduce the search image.
#sensor.set_windowing(((640-80)//2, (480-60)//2, 80, 60))
sensor.set_pixformat(sensor.GRAYSCALE)# Load template.
# Template should be a small (eg. 32x32 pixels) grayscale image.
template = image.Image("/32.pgm")clock = time.clock()# Run template matching
while (True):clock.tick()img = sensor.snapshot()roi = (0,0,sensor.width(),sensor.height())# find_template(template, threshold, [roi, step, search])# ROI: The region of interest tuple (x, y, w, h).# Step: The loop step used (y+=step, x+=step) use a bigger step to make it faster.# Search is either image.SEARCH_EX for exhaustive search or image.SEARCH_DS for diamond search## Note1: ROI has to be smaller than the image and bigger than the template.# Note2: In diamond search, step and ROI are both ignored.r = img.find_template(template, 1.0, step=4, search=SEARCH_EX) #, roi=(10, 0, 60, 60))if r:img.draw_rectangle(r)print(clock.fps())

                欢迎指正，希望对你，有所帮助！！！