模板匹配是许多计算机视觉和模式识别的理论与应用的基础,其主要目的是在给定的待匹配图中寻找出和模板图最相似区域,在工业自动化、目标检测、目标追踪、视频监控和图像拼接中有着广泛应用。然而,因为光照变化、任意旋转和位置变化、视角变化、目标物遮挡和目标物形变等等复杂情况,造成模板图和待匹配图之间存在着不确定的外观差异,使模板匹配面临极大挑战。因此,针对实际复杂情况和需求,进一步对匹配速度、鲁棒性和匹配精度各方面优化,对图像模板匹配任务来说具有重要意义和实际应用价值。为了进一步提升各项匹配性能,本论文针对图像模板匹配算法的各项关键技术进行了研究,包括图像特征描述算法、相似性度量方法和多模板匹配算法。本文主要研究内容和技术创新点可概括为:1.模板匹配算法关键技术分析。基于特征的模板匹配方法是最近的主流研究方向,针对匹配速度、精度和鲁棒性各方面进行不断优化,大量图像特征描述算法和相似性度量方法被相继提出,在复杂场景和实际需求中的匹配性能突出。此外,单模板匹配框架的一个明显缺点是仅使用单幅模板图难以全面表征实际物理世界中的多面立体物体的信息,而立体目标物的信息缺失必然导致匹配精确度低。为了更全面的表征和利用目标物信息,本文对多模板匹配方法框架进行初步探索。2.基于等积环投影与Zernike矩的快速模板匹配算法。在基于模板匹配算法的多项工业级机器视觉定位检测实际应用中,对匹配速度要求极高,且图像中的目标物存在任意旋转变化,故本文针对快速且旋转鲁棒的模板匹配算法进行进一步研究,提出基于等积环投影与Zernike矩的快速模板匹配方法。主要创新点为提出复杂度低、抗噪性强和具有旋转不变性的等积环投影向量特征,并利用圆对称性在八分圆法基础上进一步降低Zernike矩计算量。3.基于最大邻域相似度的鲁棒模板匹配算法。本文提出了一种结合局部特征的鲁棒性和全局特征的区分性的快速鲁棒模板匹配方法A-MNS。该方法能够估计目标物体的旋转角度,克服背景杂乱、遮挡、任意旋转变换、非刚性变形等问题,实现快速匹配。A-MNS方法的核心为最大邻域相似度MNS(Majority Neighbour Similarity)。MNS的关键特性有:旋转和平移不变性;考虑模板图的全局空间结构信息;MNS值仅取决于候选匹配点的子集,而其它点则被认为是离群点;MNS寻找最佳匹配点的过程不需要知晓数据的任何先验知识或者形变信息。上述特性使得MNS可以应对目标物存在任意旋转、遮挡、背景杂乱和非刚性形变的情况。4.基于多视角的多模板匹配算法。单模板匹配方法的一个明显缺点就是仅仅使用单幅模板图像进行匹配,这必然导致立体目标物的信息缺失。为了更全面的利用目标物信息以获得更准确的模板匹配结果,本文提出基于多视角的多模板匹配方法MVTM(Multi-View Template Matching),该方法综合考虑多视角下的多模板信息,通过融合多个模板的相似度图,来达到模板间的信息交互目的。其优势在于,目标物的某一部分同时出现在不同视角的模板图中,则由于本文算法的相似度图的叠加作用,使得最终的相似度融合图会进一步凸显该部分目标物。