模板匹配

模板匹配常用于对象检测，且实现简单计算效率高。但如果输入图像中存在变化因素如旋转、缩放、视角变化等，模板匹配很容易失效

模板匹配原理：

1.匹配方式为模板 (a * b) 在原图像 (m * n) 上滑动 使用参数method中指定的方法，将模板与图像的所有重叠部分进行比较,最终得到的res大小为 ((m - a + 1) * (n - b + 1))
2.如果使用了含有归一化的匹配方法，那么模板匹配后就不再需要进行归一化处理，结果将在0和1的范围内，否则，需要使用 normalize 函数对结果进行归一化处理。
3.完成匹配后，要在使用cv.minMaxLoc()方法定位结果图像的全局最小值（图像中的最暗点）和全局最大值（图像中的最亮点）。如果使用的是平方差匹配，则最小值位置是最佳匹配位置，否则，则最大值位置是最佳匹配位置。最佳匹配位置即模板图片的左上角

Opencv API:

res = cv.matchTemplate(img, template, method)

img：要进行模板匹配的图像
template：模板（图像）
method：模板匹配算法。

四种模板匹配算法：

前两种算法均为匹配结果值越低匹配度越高，后四种算法均为匹配结果值越高匹配度越高
1.平方差匹配（cv.TM_SQDIFF）：以方差进行匹配。若完全匹配则结果为0。即匹配结果越小则匹配度越高
2.标准（归一化）平方差匹配（cv.TM_SQDIFF_NORMED）：归一化后的平方差匹配，结果越接近0匹配度越高，越接近1匹配度越低
3.相关匹配(cv.TM_CCORR):利用模板与图像间的乘法进行匹配，数值越大表示匹配程度较高，越小表示匹配效果差。
4.标准（归一化）相关匹配（cv.TM_CCORR_NORMED）
5.相关系数匹配(cv.TM_CCOEFF)：将模板图像与其均值的相对值，与输入图像与其均值的相关值进行匹配，1表示完美的匹配，-1表示最差的匹配。
6.标准（归一化）相关系数匹配（cv.TM_CCOEFF_NORMED）

代码：

src = img.copy()  #原图像
roi = temp.copy()  #模板

#模板匹配
res = cv2.matchTemplate(src, roi, cv2.TM_CCORR_NORMED)


#返回模板匹配数据(先小后大，先数值后位置)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

#取匹配最佳位置(左上角)
top_left = max_loc

#取模板大小 .shape([:2])表示返回shape函数返回值的前两项 即长宽
roi_row, roi_col = roi.shape[:2]

#画矩形
cv2.rectangle(src, top_left, (top_left[0] + roi_col, top_left[1] + roi_row), (255, 0, 0), 5)

画矩形