基于HALCON的模板匹配方法总结.
HALCON形状匹配总结
HALCON形状匹配总结Halcon有三种模板匹配方法：即Component-Based、Gray-Value-Based、Shaped_based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配，此外还有变形匹配和三维模型匹配也是分属于前面的大类本文只对形状匹配做简要说明和补充：Shape_Based匹配方法：上图介绍的是形状匹配做法的一般流程及模板制作的两种方法。
先要补充点知识：形状匹配常见的有四种情况一般形状匹配模板shape_model、线性变形匹配模板planar_deformable_model、局部可变形模板local_deformable_model、和比例缩放模板Scale_model第一种是不支持投影变形的模板匹配，但是速度是最高的，第二种和第四种是支持投影变形的匹配，第三种则是支持局部变形的匹配。
一般形状匹配模板是最常用的，模板的形状和大小一经制作完毕便不再改变，在查找模板的过程中，只会改变模板的方向和位置等来匹配目标图像中的图像。
这个方法查找速度很快，但是当目标图像中与模板对应的图像存在比例放大缩小或是投影变形如倾斜等，均会影响查找结果。
涉及到的算子通常为create_shape_model 和find_shape_model线性变形匹配模板planar_deformable_model是指模板在行列方向上可以进行适当的缩放。
行列方向上可以分别独立的进行一个适当的缩放变形来匹配。
主要参数有行列方向查找缩放比例、图像金字塔、行列方向匹配分数（指可接受的匹配分数，大于这个值就接受，小于它就舍弃）、设置超找的角度、已经超找结果后得到的位置和匹配分数线性变形匹配又分为两种：带标定的可变形模板匹配和不带标定的可变形模板匹配。
涉及到的算子有：不带标定的模板：创建和查找模板算子create_planar_uncalib_deformable_model和find_planar_uncalib_deformable_model带标定模板的匹配：先读入摄像机内参和外参read_cam_par 和read_pose 创建和查找模板算子create_planar_calib_deformable_model和find_planar_calib_deformable_model局部变形模板是指在一张图上查找模板的时候，可以改变模板的尺寸，来查找图像上具有局部变形的模板。
Halcon中模板匹配方法的总结归纳
Halcon中模板匹配方法的总结归纳基于组件的模板匹配：应用场合：组件匹配是形状匹配的扩展，但不支持大小缩放匹配，一般用于多个对象（工件）定位的场合。
算法步骤：1.获取组件模型里的初始控件gen_initial_components()参数：ModelImage [Input] 初始组件的图片InitialComponents [Output] 初始组件的轮廓区域ContrastLow [Input] 对比度下限ContrastHigh [Input] 对比度上限MinSize [Input] 初始组件的最小尺寸Mode[Input] 自动分段的类型GenericName [Input] 可选控制参数的名称GenericValue [Input] 可选控制参数的值2.根据图像模型，初始组件，训练图片来训练组件和组件相互关系train_model_components()3.创建组件模型create_trained_component_model()4.寻找组件模型find_component_model()5.释放组件模型clear_component_model()基于形状的模板匹配：应用场合：定位对象内部的灰度值可以有变化，但对象轮廓一定要清晰平滑。
1.创建形状模型：create_shape_model()2.寻找形状模型：find_shpae_model()3.释放形状模型：clear_shape_model()基于灰度的模板匹配：应用场合：定位对象内部的灰度值没有大的变化，没有缺失部分，没有干扰图像和噪声的场合。
1.创建模板：create_template()2.寻找模板：best_match()3.释放模板：clear_template()基于互相关匹配：应用场合：搜索对象有轻微的变形，大量的纹理，图像模糊等场合，速度快，精度低。
1.创建模板：create_ncc_model()2.寻找模板：find_ncc_model()3.释放模板：clear_ncc_model()基于变形匹配：应用场合：搜索对象有轻微的变形。
halcon模板匹配讲解
在HALCON中，模板匹配是一种常见的方法，用于在一幅图像中查找与给定模板最匹配的区域。
这种方法可以用于目标检测、图像分割、模式识别等应用。
在HALCON中，模板匹配主要通过使用`find_template`函数来实现。
该函数用于在一幅图像中查找与给定模板最匹配的区域，并返回匹配区域的坐标、大小和旋转角度等参数。
在使用`find_template`函数进行模板匹配时，需要提供以下参数：
1. 输入图像：要进行匹配的图像。
2. 模板图像：用于匹配的模板图像。
3. 搜索区域：在输入图像中搜索模板的区域，通常可以指定一个矩形区域或者整个图像。
4. 匹配参数：用于控制匹配算法的参数，例如相似性度量、搜索策略等。
在HALCON中，还可以使用`create_template`函数来创建模板图像，以便后续使用。
该函数可以根据给定的图像和参数来生成模板，并返回模板的句柄。
此外，为了提高匹配的准确性和效率，还可以使用一些优化技术，
例如使用多级金字塔、使用滤波器进行预处理、使用约束条件等。
总之，HALCON中的模板匹配是一种强大的工具，可以用于各种图像处理任务。
通过正确地选择和使用匹配算法和参数，可以获得准确和高效的匹配结果。
halcon基于边缘的模板匹配算法
文章主题：Halcon基于边缘的模板匹配算法探析一、引言在机器视觉领域，模板匹配是一种常用的图像处理方法，用于在一幅图像中寻找特定的模式或对象。
而Halcon作为一款智能视觉软件库，其基于边缘的模板匹配算法备受关注。
本文将就Halcon基于边缘的模板匹配算法进行深入探讨，以帮助读者更全面地理解这一主题。
二、Halcon基于边缘的模板匹配算法概述Halcon基于边缘的模板匹配算法是一种高级的模式识别技术，它通过检测图像中的边缘信息，并利用这些边缘特征进行模式匹配。
该算法主要包括边缘提取、模板生成和匹配验证三个步骤。
1. 边缘提取在Halcon中，边缘提取是通过边缘检测滤波器进行的。
常用的边缘检测算子包括Sobel、Prewitt和Canny等。
通过这些算子可以将图像中的边缘特征提取出来，形成边缘模型。
2. 模板生成在模板生成阶段，Halcon会通过提取的边缘信息来生成待匹配的模板。
模板的生成需要考虑到图像的尺度、旋转、光照等因素，以保证模板的鲁棒性和准确性。
3. 匹配验证匹配验证是模板匹配算法的核心步骤，Halcon基于边缘的模板匹配算法通过对图像进行模板匹配，并对匹配结果进行验证和优化，以确保匹配的准确性和稳定性。
三、Halcon基于边缘的模板匹配算法的特点相比于传统的模板匹配算法，Halcon基于边缘的模板匹配算法具有以下几点突出特点：1. 鲁棒性强由于边缘特征包含了物体的轮廓和形状等重要信息，因此Halcon基于边缘的模板匹配算法对光照、变形等因素的鲁棒性较强，能够更准确地匹配目标对象。
2. 适用性广Halcon基于边缘的模板匹配算法不受物体颜色、纹理等因素的影响，因此适用于各种场景和对象的匹配识别，具有较强的通用性和适用性。
3. 计算速度快由于边缘特征的提取和匹配计算相对简单，Halcon基于边缘的模板匹配算法在计算速度上具有一定的优势，能够实现实时性要求较高的应用场景。
四、个人观点与总结在我看来，Halcon基于边缘的模板匹配算法在实际应用中具有广泛的前景。
模板匹配,ncc
竭诚为您提供优质文档/双击可除模板匹配,ncc篇一：ncc计算公式ncc是基于相似度度量的匹配算法，因为对线性光照不敏感，在目标识别和工业检测领域得到了广泛的应用。
传统的ncc算法计算公式如下：{[i(x+i,y+j)-i(x,y)][t(i,j)-t]}mnncc(x,y)=其中i为目标图像；t为模板图像，模板大小为m*n篇二：基于halcon的模板匹配方法总结基于halcon的模板匹配方法总结分类：halcon学习20xx-06-2616:0247人阅读评论(0)收藏举报德国mVtec公司开发的halcon机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。
hdevelop开发环境中提供的匹配的方法主要有三种，即component-based、gray-Value-based、shape-based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。
这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。
这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如Vc++来开发的过程。
在Vc下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。
下面我就具体地谈谈基于halcon的形状匹配算法的研究和心得总结。
1.shape-basedmatching的基本流程halcon提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。
halcon模板匹配之形状匹配法
halcon模板匹配之形状匹配法Halcon是一种先进的图像处理软件，被广泛应用于计算机视觉领域。
在计算机视觉中，模板匹配是一种常用的方法，用于在一幅图像中寻找一个与给定模板形状相似的目标物体。
Halcon支持多种模板匹配方法，其中之一是形状匹配法。
形状匹配法是一种基于特征点的模板匹配方法。
它利用目标物体的形状信息进行匹配，而不是仅仅考虑灰度信息。
这种方法适用于目标物体的形状较为明显且不易受到光照等条件的影响。
在使用Halcon进行形状匹配之前，我们需要提前准备好模板图像和待匹配图像。
首先，我们需要选择一个与目标物体形状相似的模板图像作为参考。
然后，我们将待匹配图像加载到Halcon中，并在图像中提取出一系列的特征点。
Halcon中的形状匹配算法是基于特征点的，它会根据这些特征点的位置和几何特征来进行匹配。
在匹配过程中，Halcon会计算出每一个特征点在模板图像中的对应位置，并根据这些特征点的几何关系来确定匹配度。
形状匹配算法的核心是特征提取和特征匹配。
Halcon提供了多种特征提取函数，如角点检测、边缘检测等。
我们可以根据实际情况选择适合的特征提取函数。
特征匹配则是根据特征点的位置和几何关系来进行的。
Halcon中提供了一系列的匹配函数，如模板匹配、点对点匹配等。
形状匹配法的优点是对图像的光照变化、噪声等干扰具有较好的鲁棒性，可以获得较高的匹配准确度。
然而，该方法在目标物体形状复杂或存在遮挡时可能会出现匹配失败的情况。
因此，在实际应用中，我们需要考虑到目标物体的形状特征以及环境条件，并选择合适的匹配方法。
除了形状匹配法，Halcon还支持其他一些模板匹配方法，如基于灰度的模板匹配、基于形状的模板匹配等。
这些方法各有优劣，适用于不同的应用场景。
在实际工程中，我们可以根据需求选择最适合的模板匹配方法。
总之，Halcon的形状匹配法是一种常用的模板匹配方法，可以用于在一幅图像中寻找与给定模板形状相似的目标物体。
基于HALCON的模板匹配方法总结
基于HALCON的模板匹配方法总结分类：halcon学习2013-06-26 16:02 47人阅读评论(0) 收藏举报halcon形状匹配算法德国MVTec公司开发的HALCON机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。
HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。
这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。
这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如VC++来开发的过程。
在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。
下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。
1. Shape-Based matching的基本流程HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。
基本流程是这样的，如下所示：⑴首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用area_center()找到这个矩形的中心；⑵然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等；⑶接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。
halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）
halcon——缺陷检测常⽤⽅法总结（模板匹配（定位）+差分）引⾔机器视觉中缺陷检测分为⼀下⼏种：blob分析+特征模板匹配（定位）+差分光度⽴体：特征训练测量拟合频域+空间域结合：深度学习本篇主要总结⼀下缺陷检测中的定位+差分的⽅法。
即⽤形状匹配，局部变形匹配去定位然后⽤差异模型去检测缺陷。
模板匹配（定位）+差分整体思路（形状匹配）：1. 先定位模板区域后，求得模板区域的坐标，创建物品的形状模板create_shape_model，注意把模板的旋转⾓度改为rad(0)和rad(360)。
2. 匹配模板find_shape_model时，由于物品的缺陷使形状有局部的改变，所以要把MinScore设置⼩⼀点，否则匹配不到模板。
并求得匹配项的坐标。
3. 关键的⼀步，将模板区域仿射变换到匹配成功的区域。
由于差集运算是在相同的区域内作⽤的，所以必须把模板区域转换到匹配项的区域。
4. 之后求差集，根据差集部分的⾯积判断该物品是否有缺陷。
模板匹配（定位）+差分的⽅法主要⽤来检测物品损坏，凸起，破洞，缺失，以及质量检测等。
halcon例程分析：1，印刷质量缺陷检测（print_check.hdev）该例程⽤到了差异模型，将⼀个或多个图像同⼀个理想图像做对⽐，去找到明显的不同。
进⽽鉴定出有缺陷的物体。
差异模型的优势是可以直接通过它们的灰度值做⽐较，并且通过差异图像，⽐较可以被空间地加权。
变化模型检测缺陷的整体思路：1. create_variation_model —— 创建⼀个差异模型2. get_variation_model —— 获得差异模型3. train_variation_model —— 训练差异模型4. prepare_variation_model —— 准备差异模型5. compare_variation_model —— ⽐较模型与实例6. clear_variation_model —— 清除差异模型dev_update_off ()* 选择第1张图像创建形状模板read_image (Image, 'pen/pen-01')get_image_size (Image, Width, Height)dev_close_window ()dev_open_window (0, 0, Width, Height, 'black', WindowHandle)set_display_font (WindowHandle, 16, 'mono', 'true', 'false')dev_set_color ('red')dev_display (Image)* 把我感兴趣的区域抠出来，原则上范围越⼩越好，因为这样创建模板时⼲扰会少很多threshold (Image, Region, 100, 255)fill_up (Region, RegionFillUp)difference (RegionFillUp, Region, RegionDifference)shape_trans (RegionDifference, RegionTrans, 'convex')dilation_circle (RegionTrans, RegionDilation, 8.5)reduce_domain (Image, RegionDilation, ImageReduced)inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)gen_contours_skeleton_xld (ModelRegions, Model, 1, 'filter')* 获得抠图区域的中⼼，这是参考点area_center (RegionDilation, Area, RowRef, ColumnRef)* 创建形状模板create_shape_model (ImageReduced, 5, rad(-10), rad(20), 'auto', 'none', 'use_polarity', 20, 10, ShapeModelID)* 创建变化模型（⽤于和缺陷⽐较）create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)* ⽂件夹中前15张图⽚是质量良好的，可以⽤来训练模板for I := 1 to 15 by 1read_image (Image, 'pen/pen-' + I$'02d')* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)if (|Score| == 1)if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 训练差异模型train_variation_model (ImageTrans, VariationModelID)dev_display (ImageTrans)dev_display (Model)endifendfor* 获得差异模型get_variation_model (MeanImage, VarImage, VariationModelID)* 做检测之前可以先⽤下⾯这个算⼦对可变模型进⾏设参,这是⼀个经验值,需要调试者调整prepare_variation_model (VariationModelID, 20, 3)dev_set_draw ('margin')NumImages := 30* 可变模板训练完成后，我们终于可以进⼊主题，马上对所有图像进⾏缺陷检测，思想就是差分for I := 1 to 30 by 1read_image (Image, 'pen/pen-' + I$'02d')* 要注意做差分的两幅图像分辨率相同，当然也需要通过仿射变换把待检测的图像转到与模板图像重合* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score) if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 抠图reduce_domain (ImageTrans, RegionDilation, ImageReduced)* 差分（就是检查两幅图像相减，剩下的区域就是不同的地⽅了，与模板图像不同的地⽅就是缺陷）*这⾥可不能⽤difference做差分啊，halcon为变形模板提供了专门的差分算⼦：compare_variation_modelcompare_variation_model (ImageReduced, RegionDiff, VariationModelID)connection (RegionDiff, ConnectedRegions)* 特征选择：⽤⼀些特征来判断这幅图像印刷是否有缺陷，这⾥使⽤⾯积* 其实可以考虑利⽤区域⾯积的⼤⼩来判断缺陷的严重程度，这⾥就不过多讨论了select_shape (ConnectedRegions, RegionsError, 'area', 'and', 20, 1000000)count_obj (RegionsError, NumError)dev_clear_window ()dev_display (ImageTrans)dev_set_color ('red')dev_display (RegionsError)set_tposition (WindowHandle, 20, 20)if (NumError == 0)dev_set_color ('green')write_string (WindowHandle, 'Clip OK')elsedev_set_color ('red')write_string (WindowHandle, 'Clip not OK')endifendifif (I < NumImages)disp_continue_message (WindowHandle, 'black', 'true')stop ()endifendfor* 结语：如果发现前⾯作为训练变形模板的良好图像也被判定为NG，* 可以调整prepare_variation_model参数* 或者调整select_shape特征筛选的标准相关算⼦分析:create_variation_model（创建⼀个差异模型）create_variation_model(Width, Height, Type, Mode ,ModelID)//创建⼀个ID为ModelID，宽为Width,⾼为Height,类型为Type的差异模型参数参数Mode决定了创建标准图像和相应的变化图像的⽅法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于HALCON的模板匹配方法总结
基于HALCON的模板匹配方法总结
HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。
这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。
这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果。
在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。
下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。
1.
Shape-Based matching的基本流程
HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。
基本流程是这样的，如下所示：
⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用
area_center()找到这个矩形的中心；
⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等；
⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。
对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓；
⑷ 创建好模板后，就可以打开另一幅图像，来进行模板匹配了。
这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数
find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。
这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。
其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。
比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。
在大多数情况下，在能够匹配的情况下，尽可能的增大其值。
⑸ 找到之后，还需要对其进行转化，使之能够显示，这两个函数
vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。
前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的
结果中对构造一个刚体仿射变换很有用，把参考图像变为当前图像。
2.
基于形状匹配的参数关系与优化
在HALCON的说明资料里讲到了这些参数的作用以及关系，在上面提到的文章中也作了介绍，这里主要是重复说明一下这些参数的作用，再强调一下它们影响匹配速度的程度；
在为了提高速度而设置参数之前，有必要找出那些在所有测试图像中匹配成功的设置，这时需考虑以下情况：
①
必须保证物体在图像边缘处截断，也就是保证轮廓的清晰，这些可以通过形态学的一些方法来处理；
②
如果Greediness值设的太高，就找不到其中一些可见物体，这时最后将其设为0来执行完全搜索；
③
物体是否有封闭区域，如果要求物体在任何状态下都能被识别，则应减小MinScore值；
④
判断在金字塔最高级上的匹配是否失败，可以通过find_shape_model （）减小NumLevels值来测试；
⑤
物体是否具有较低的对比度，如果要求物体在任何状态下都能被识别，则应减小MinContrast值；
⑥
判断是否全局地或者局部地转化对比度极性，如果需要在任何状态下都能被识别，则应给参数Metric设置一个合适的值；
⑦
物体是否与物体的其他实例重叠，如果需要在任何状态下都能识别物体，则应增加MaxOverlap值；
⑧
判断是否在相同物体上找到多个匹配值，如果物体几乎是对称的，则需要控制旋转范围；
如何加快搜索匹配，需要在这些参数中进行合理的搭配，有以下方法可以参考：
①
只要匹配成功，则尽可能增加参数MinScore的值；
②
增加Greediness值直到匹配失败，同时在需要时减小MinScore值；
③
如果有可能，在创建模板时使用一个大的NumLevels，即将图像多分几个金字塔级；
④
限定允许的旋转范围和大小范围，在调用find_shape_model（）时调整相应的参数；
⑤
尽量限定搜索ROI的区域；
除上面介绍的以外，在保证能够匹配的情况下，尽可能的增大Greediness的值，因为在后面的实验中，用模板匹配进行视频对象跟踪的过程中，这个值在很大程度上影响到匹配的速度。
当然这些方法都需要跟实际联系起来，不同图像在匹配过程中也会有不同的匹配效果，在具体到某些应用，不同的硬件设施也会对这个匹配算法提出新的
要求，所以需要不断地去尝试。
来源：。