基于灰度的模板匹配

想将自己开发机器人视觉应用中的点滴过程和心得进行记录分享，讨论，生活很有趣，学术很有趣，当然能让自己做的研究落地更有意义！

可能的优化路径：

1.匹配路径优化算法：从图像预处理中改进，对模板匹配的较可能区域先定位，后进行精确的卷积运算，减低卷积计算量，但没有从根本上减少卷积运算计算量大的缺点。

2.通过傅里叶变换将函数的卷积运算转为乘积运算。

ps:opencv中的自适应阈值方法为adaptiveThreshold

金字塔分层快速图像搜索算法流程：

1.对降采样的图像进行自适应阈值化处理

2.处理完的图像通过opencv快速模板匹配寻找最匹配的坐标：

cv::matchTemplate()

cv::normalize()

cv::minMaxLoc()

3.根据获取的降采样层的坐标获取源图像的坐标（*2.05），注意不要越出图像边界

源图像层根据放大后的坐标截取一个子图

4.在子图上进行快速模板匹配，搜索模板图像，返回搜索到的坐标

5.通过联合Hash算法确认源图像层坐标下的模板图像和原图像是否相似（可以选择别的相似度量函数）

在原图自适应阈值处理后的快速模板匹配函数处理时间为0.076s，加入金字塔处理后的时间为0.376s..

现在进行金字塔加速后进行阈值处理再进行模板匹配的时间。0.022s（第三层金字塔处）,0.39s(带金字塔处理过程)