還是先上我的程式吧，實現了對視訊流的匹配，在視訊中標出目標物體的位置並計算出物體所在的中心座標：

#include <opencv2/core/core.hpp>      
#include <opencv2/highgui/highgui.hpp>     
#include <opencv2\opencv.hpp>    
#include<opencv2\imgproc\imgproc.hpp>  
#include <iostream>    
#include<string>    
#include <sstream>    
using namespace cv;    
using namespace std;  

int main()  
{  
	///呼叫攝像頭
	VideoCapture cap(0);  
	if(!cap.isOpened())  
	{  
		return -1;  
	}  
	Mat src;  
	Mat templ;  
	Mat result;
	int match_method=0;
	templ=imread("img.jpg",1);
	bool stop = false;  
	///迴圈處理影象
	while(!stop)  
	{  
		cap>>src;  
		/// 建立輸出結果的矩陣
		int result_cols =  src.cols - templ.cols + 1;
		int result_rows = src.rows - templ.rows + 1;

		result.create( result_cols, result_rows, CV_32FC1 );

		matchTemplate( src, templ, result, match_method );
		normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );


		/// 通過函式 minMaxLoc 定位最匹配的位置
		double minVal; double maxVal; Point minLoc; Point maxLoc;
		Point matchLoc;

		minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );

		/// 對於方法 SQDIFF 和 SQDIFF_NORMED, 越小的數值代表更高的匹配結果. 而對於其他方法, 數值越大匹配越好
		if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
		{ matchLoc = minLoc; }
		else
		{ matchLoc = maxLoc; }

		/// 最終結果
		rectangle( src, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
		rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
		cout<<"目標的中心座標 ( "<<matchLoc.x + templ.cols/2<<" , ("<<matchLoc.y + templ.rows<<" )"<<endl;
		imshow("當前視訊",src);  
		if(waitKey(30) >=0)  
			stop = true;  
	}  
	return 0;  
}
 

關於模板匹配的原理：

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/histograms/template_matching/template_matching.html#template-matching

模板匹配

目標

• 使用OpenCV函式 matchTemplate 在模板塊和輸入影象之間尋找匹配,獲得匹配結果影象
• 使用OpenCV函式 minMaxLoc 在給定的矩陣中尋找最大和最小值(包括它們的位置).

原理

什麼是模板匹配?

它是怎麼實現的?

• 我們需要2幅影象:

  1. 原影象 (I): 在這幅影象裡,我們希望找到一塊和模板匹配的區域
  2. 模板 (T): 將和原影象比照的影象塊

  我們的目標是檢測最匹配的區域:

  

• 為了確定匹配區域, 我們不得不滑動模板影象和原影象進行 比較 :

  

• 通過 滑動, 我們的意思是影象塊一次移動一個畫素 (從左往右,從上往下). 在每一個位置, 都進行一次度量計算來表明它是 “好” 或 “壞” 地與那個位置匹配 (或者說塊影象和原影象的特定區域有多麼相似).

• 對於 T 覆蓋在 I 上的每個位置,你把度量值 儲存 到 結果影象矩陣 (R) 中. 在 R 中的每個位置  都包含匹配度量值:

  

  上圖就是 TM_CCORR_NORMED

   方法處理後的結果影象 R . 最白的位置代表最高的匹配. 正如您所見, 紅色橢圓框住的位置很可能是結果影象矩陣中的最大數值, 所以這個區域 (以這個點為頂點,長寬和模板影象一樣大小的矩陣) 被認為是匹配的.

• 實際上, 我們使用函式 minMaxLoc 來定位在矩陣 R 中的最大值點 (或者最小值, 根據函式輸入的匹配引數) .

OpenCV中支援哪些匹配演算法?

問得好. OpenCV通過函式 matchTemplate 實現了模板匹配演算法. 可用的方法有6個:

1. 平方差匹配 method=CV_TM_SQDIFF

這類方法利用平方差來進行匹配,最好匹配為0.匹配越差,匹配值越大.

2. 標準平方差匹配 method=CV_TM_SQDIFF_NORMED

   

3. 相關匹配 method=CV_TM_CCORR

這類方法採用模板和影象間的乘法操作,所以較大的數表示匹配程度較高,0標識最壞的匹配效果.

4. 標準相關匹配 method=CV_TM_CCORR_NORMED

   

5. 相關匹配 method=CV_TM_CCOEFF

這類方法將模版對其均值的相對值與影象對其均值的相關值進行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列).

在這裡

6. 標準相關匹配 method=CV_TM_CCOEFF_NORMED

   

通常,隨著從簡單的測量(平方差)到更復雜的測量(相關係數),我們可獲得越來越準確的匹配(同時也意味著越來越大的計算代價). 最好的辦法是對所有這些設定多做一些測試實驗,以便為自己的應用選擇同時兼顧速度和精度的最佳方案.

程式碼

• 在這程式實現了什麼?

  • 載入一幅輸入影象和一幅模板影象塊 (template)
  • 通過使用函式 matchTemplate 實現之前所述的6種匹配方法的任一個. 使用者可以通過滑動條選取任何一種方法.
  • 歸一化匹配後的輸出結果
  • 定位最匹配的區域
  • 用矩形標註最匹配的區域

• 下載程式碼: 單擊 這裡

• 看一下程式碼:

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv;

/// 全域性變數
Mat img; Mat templ; Mat result;
char* image_window = "Source Image";
char* result_window = "Result window";

int match_method;
int max_Trackbar = 5;

/// 函式宣告
void MatchingMethod( int, void* );

/** @主函式 */
int main( int argc, char** argv )
{
  /// 載入原影象和模板塊
  img = imread( argv[1], 1 );
  templ = imread( argv[2], 1 );

  /// 建立視窗
  namedWindow( image_window, CV_WINDOW_AUTOSIZE );
  namedWindow( result_window, CV_WINDOW_AUTOSIZE );

  /// 建立滑動條
  char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";
  createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

  MatchingMethod( 0, 0 );

  waitKey(0);
  return 0;
}

/**
 * @函式 MatchingMethod
 * @簡單的滑動條回撥函式
 */
void MatchingMethod( int, void* )
{
  /// 將被顯示的原影象
  Mat img_display;
  img.copyTo( img_display );

  /// 建立輸出結果的矩陣
  int result_cols =  img.cols - templ.cols + 1;
  int result_rows = img.rows - templ.rows + 1;

  result.create( result_cols, result_rows, CV_32FC1 );

  /// 進行匹配和標準化
  matchTemplate( img, templ, result, match_method );
  normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

  /// 通過函式 minMaxLoc 定位最匹配的位置
  double minVal; double maxVal; Point minLoc; Point maxLoc;
  Point matchLoc;

  minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );

  /// 對於方法 SQDIFF 和 SQDIFF_NORMED, 越小的數值代表更高的匹配結果. 而對於其他方法, 數值越大匹配越好
  if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
    { matchLoc = minLoc; }
  else
    { matchLoc = maxLoc; }

  /// 讓我看看您的最終結果
  rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
  rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );

  imshow( image_window, img_display );
  imshow( result_window, result );

  return;
}

程式碼說明

1. 定義一些全域性變數, 例如原影象(img), 模板影象(templ) 和結果影象(result) , 還有匹配方法以及視窗名稱:

   Mat img; Mat templ; Mat result;
   char* image_window = "Source Image";
   char* result_window = "Result window";
   
   int match_method;
   int max_Trackbar = 5;
   

2. 載入原影象和匹配塊:

   img = imread( argv[1], 1 );
   templ = imread( argv[2], 1 );
   

3. 建立視窗,顯示原影象和結果影象:

   namedWindow( image_window, CV_WINDOW_AUTOSIZE );
   namedWindow( result_window, CV_WINDOW_AUTOSIZE );
   

4. 建立滑動條並輸入將被使用的匹配方法. 一旦滑動條發生改變,回撥函式 MatchingMethod 就會被呼叫.

   char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";
   createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );
   

5. 一直等待,直到使用者退出這個程式.

   waitKey(0);
   return 0;
   

6. 讓我們先看看回調函式. 首先, 它對原影象進行了一份複製:

   Mat img_display;
   img.copyTo( img_display );
   

7. 然後, 它建立了一幅用來存放匹配結果的輸出影象矩陣. 仔細看看輸出矩陣的大小(它包含了所有可能的匹配位置)

   int result_cols =  img.cols - templ.cols + 1;
   int result_rows = img.rows - templ.rows + 1;
   
   result.create( result_cols, result_rows, CV_32FC1 );
   

8. 執行模板匹配操作:

   matchTemplate( img, templ, result, match_method );
   

   很自然地,引數是輸入影象 I, 模板影象 T, 結果影象 R 還有匹配方法 (通過滑動條給出)

9. 我們對結果進行歸一化:

   normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );
   

10. 通過使用函式 minMaxLoc ,我們確定結果矩陣 R 的最大值和最小值的位置.

    double minVal; double maxVal; Point minLoc; Point maxLoc;
    Point matchLoc;
    
    minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
    

    函式中的引數有:

    • result: 匹配結果矩陣
    • &minVal 和 &maxVal: 在矩陣 result 中儲存的最小值和最大值
    • &minLoc 和 &maxLoc: 在結果矩陣中最小值和最大值的座標.
    • Mat(): 可選的掩模

11. 對於前二種方法 ( CV_SQDIFF 和 CV_SQDIFF_NORMED ) 最低的數值標識最好的匹配. 對於其他的, 越大的數值代表越好的匹配. 所以, 我們在 matchLoc 中存放相符的變數值:

    if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
      { matchLoc = minLoc; }
    else
      { matchLoc = maxLoc; }
    

12. 顯示原影象和結果影象. 再用矩形框標註最符合的區域:

    rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
    rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
    
    imshow( image_window, img_display );
    imshow( result_window, result );
    

結果

1. 開始測試我們的程式,一幅輸入影象:

   

   還有一幅模版影象:

   

2. 產生了一下結果影象矩陣 (第一行是標準的方法 SQDIFF, CCORR 和 CCOEFF, 第二行是相同的方法在進行標準化後的影象). 在第1列, 最黑的部分代表最好的匹配, 對於其它2列, 越白的區域代表越好的匹配.

3. 正確的匹配在下面顯示 (右側被矩形標註的人臉). 需要注意的是方法 CCORR 和 CCOEFF 給出了錯誤的匹配結果, 但是它們的歸一化版本給出了正確的結果, 這或許是由於我們實際上僅僅考慮 “最匹配” 而沒考慮其他可能的高匹配位置.