干货 | OpenCV实现边缘模板匹配算法 - 极术社区

背景概述

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，据说Halcon的模板匹配就是基于此的加速版本，在工业应用场景中已经得到广泛使用。

算法原理

该算法主要是基于图像梯度，实现基于梯度级别的NCC模板匹配，基于Sobel梯度算子得到dx, dy, magnitude

通过Canny算法得到边缘图像、基于轮廓发现得到所有的轮廓点集，基于每个点计算该点的dx、dy、magnitude(dxy)三个值。生成模板信息。然后对输入的图像进行Sobel梯度图像之后，根据模型信息进行匹配，这样的好处有两个：

梯度对光照有很强的抗干扰能力，对模板匹配的抗光照干扰
基于梯度匹配，可以对目标图像上出现的微小像素迁移进行抵消。

算法实现代码详解

梯度图像计算

Mat gx, gy;
Sobel(gray, gx, CV_32F, 1, 0);
Sobel(gray, gy, CV_32F, 0, 1);

Mat magnitude, direction;
cartToPolar(gx, gy, magnitude, direction);
long contoursLength = 0;
double magnitudeTemp = 0;
int originx = contours[0][0].x;
int originy = contours[0][0].y;

模板生成

// 提取dx\dy\mag\log信息
vector<vector<ptin>> contoursInfo;
// 提取相对坐标位置
vector<vector<Point>> contoursRelative;

// 开始提取
for (int i = 0; i < contours.size(); i++) {
    int n = contours[i].size();
    contoursLength += n;
    contoursInfo.push_back(vector<ptin>(n));
    vector<Point> points(n);
    for (int j = 0; j < n; j++) {
        int x = contours[i][j].x;
        int y = contours[i][j].y;
        points[j].x = x - originx;
        points[j].y = y - originy;
        ptin pointInfo;
        pointInfo.DerivativeX = gx.at<float>(y, x);
        pointInfo.DerivativeY = gy.at<float>(y, x);
        magnitudeTemp = magnitude.at<float>(y, x);
        pointInfo.Magnitude = magnitudeTemp;
        if (magnitudeTemp != 0)
            pointInfo.MagnitudeN = 1 / magnitudeTemp;
        contoursInfo[i][j] = pointInfo;
    }
    contoursRelative.push_back(points);
}

计算目标图像梯度

// 计算目标图像梯度
Mat grayImage;
cvtColor(src, grayImage, COLOR_BGR2GRAY);
Mat gradx, grady;
Sobel(grayImage, gradx, CV_32F, 1, 0);
Sobel(grayImage, grady, CV_32F, 0, 1);

Mat mag, angle;
cartToPolar(gradx, grady, mag, angle);

NCC模板匹配

double partialScore = 0;
double resultScore = 0;
int resultX = 0;
int resultY = 0;
double start = (double)getTickCount();
for (int row = 0; row < grayImage.rows; row++) {
    for (int col = 0; col < grayImage.cols; col++) {
        double sum = 0;
        long num = 0;
        for (int m = 0; m < contoursRelative.size(); m++) {
            for (int n = 0; n < contoursRelative[m].size(); n++) {
                num += 1;
                int curX = col + contoursRelative[m][n].x;
                int curY = row + contoursRelative[m][n].y;
                if (curX < 0 || curY < 0 || curX > grayImage.cols - 1 || curY > grayImage.rows - 1) {
                    continue;
                }

                // 目标边缘梯度
                double sdx = gradx.at<float>(curY, curX);
                double sdy = grady.at<float>(curY, curX);

                // 模板边缘梯度
                double tdx = contoursInfo[m][n].DerivativeX;
                double tdy = contoursInfo[m][n].DerivativeY;

                // 计算匹配
                if ((sdy != 0 || sdx != 0) && (tdx != 0 || tdy != 0))
                {
                    double nMagnitude = mag.at<float>(curY, curX);
                    if (nMagnitude != 0)
                        sum += (sdx * tdx + sdy * tdy) * contoursInfo[m][n].MagnitudeN / nMagnitude;
                }

                // 任意节点score之和必须大于最小阈值
                partialScore = sum / num;
                if (partialScore < min((minScore - 1) + (nGreediness * num), nMinScore * num))
                    break;
            }
        }

        // 保存匹配起始点
        if (partialScore > resultScore)
        {
            resultScore = partialScore;
            resultX = col;
            resultY = row;
        }
    }
}