python cv2 matchtemplate_OpenCV-Python系列十：模板匹配

模板匹配应用的场景非常多，OCR(字符识别)，目标检测、定位等等。OpenCV中，你可以使用cv2.matchTemplate()来完成。对于其中的计算原理，可参考如下博客：

cv2.matchTemplate(img, templ, method)

tmepl：模板图像

method:官方提供了三种方法cv2.TM_CCOEFF_NORMED, cv2.TM_CCORR_NORMED, cv2.TM_SQDIFF_NORMED，其中第三种方法值越小，表示匹配概率越大，其余的为值越大匹配概率越大，这里列出的三种是会进行归一化，这方便你设定阈值来进行卡控；

注意：该函数返回的是由匹配程度填充的灰度图像

官方文档：https://docs.opencv.org/3.0-beta/modules/imgproc/doc/object_detection.html?highlight=cv2.matchtemplate#void%20matchTemplate(InputArray%20image,%20InputArray%20templ,%20OutputArray%20result,%20int%20method)

选取模板

利用上述函数对图像进行模板匹配：

钢管模板匹配

import cv2

import numpy as np

# 剔除数据集中相邻太近的点，模板匹配设定的阈值会在目标附近产生大量的重复结果

# 需要设计方法进行剔除

def split_min_dist_dots(dot, dot_set, min_dist = 20):

if dot_set:

append_flag = True

for dt in dot_set:

dist = abs(dot[0] - dt[0]) + abs(dot[1] - dt[1])

if dist < min_dist:

append_flag = False

if append_flag:

dot_set.append(dot)

else:

dot_set.append(dot)

return dot_set

img = cv2.imread('steels.png', -1)

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

gaussian_img = cv2.GaussianBlur(gray_img,(3, 3),0)

template_img = cv2.imread('steel_temp.png', 0)

height, width = template_img.shape[:2]

res = cv2.matchTemplate(gaussian_img, template_img, cv2.TM_CCOEFF_NORMED)

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

threshold_template = 0.6

locs = np.where(res >= threshold_template)

# 最终的匹配结果

dots_set = []

# zip(*)操作，参考https://www.cnblogs.com/quietwalk/p/7997705.html

# locs[::-1]则是将序列顺序颠倒，由于[row, col]对绘制矩形需要区分

for loc in (zip(*locs[::-1])):

dots_set = split_min_dist_dots(loc, dots_set)

for dot in dots_set:

cv2.rectangle(img, dot, (dot[0] + width, dot[1] + height), (255, 25, 25), 1)

cv2.putText(img, 'pipe', dot, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (25, 25, 255), 2)

cv2.putText(img, 'Pipe Count:%s'%len(dots_set), (0, 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (255, 25, 255), 2)

cv2.imshow('template_steel', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

这是一个关于模板匹配很简单的示例，如果你想利用这种方法应用到你的项目，需要关注以下几点：

增加模板库，单单一张模板图往往在应用中捉襟见肘；

模板匹配在目标附近会产生大量高于设定阈值的结果，你需要设计更好的剔除邻近干扰方案；

对不同亮度、角度进行适配和测试

当然，你完全也可以采用深度学习中的目标检测方案，后面会涉及到，加个关注

对于opencv-python的模板匹配部分有问题欢迎留言， Have Fun With OpenCV-Python, 下期见。