模板匹配的OpenCV性能

  • Z时代
  • 2024-01-10
  • 分类：问答

我正在尝试基本上在Java上进行模板匹配。我使用简单的算法来找到匹配项。这是代码：

minSAD = VALUE_MAX;
// loop through the search image
for ( int x = 0; x <= S_rows - T_rows; x++ ) {
    for ( int y = 0; y <= S_cols - T_cols; y++ ) {
        SAD = 0.0;
        // loop through the template image
        for ( int i = 0; i < T_rows; i++ )
            for ( int j = 0; j < T_cols; j++ ) {
                pixel p_SearchIMG = S[x+i][y+j];
                pixel p_TemplateIMG = T[i][j];
                SAD += abs( p_SearchIMG.Grey - p_TemplateIMG.Grey );
            }
    }
    // save the best found position 
    if ( minSAD > SAD ) {
        minSAD = SAD;
        // give me VALUE_MAX
        position.bestRow = x;
        position.bestCol = y;
        position.bestSAD = SAD;
    }
}

但这是非常缓慢的方法。我测试了2张图像（768×1280）和子图像（384 x

640）。这持续了很长时间。openCV是否可以使用现成的函数cvMatchTemplate（）快速执行模板匹配？

回答：

您会发现openCV

cvMatchTemplate（）比您已实现的方法快得多。您创建的是一种统计模板匹配方法。这是最常见，最容易实现的方法，但是在大图像上极其缓慢。让我们看一下基本数学，您有一个768x1280的图像，您通过这些像素中的每个循环减去边缘，因为这是您的模板限制，因此（768-384）x（1280-640）就是384

x 640 =

245’在760个运算中，您将循环浏览模板的每个像素（另一个245‘760运算），因此在循环中添加任何数学运算之前，您已经具有（245‘760 x

245‘760）60‘397‘977‘600运算。超过600亿次操作仅遍历您的图像更令人惊讶的是，机器能够如此快速地完成操作。

但是请记住它的245‘760 x（245‘760 x数学运算），因此还有更多的运算。

现在，cvMatchTemplate（）实际上使用了傅里叶分析模板匹配操作。这是通过在图像上应用快速傅立叶变换（

）来实现的，在该图像中，构成像素强度变化的信号被分割成每个相应的波形。该方法很难很好地解释，但是图像被转换为​​复数的信号表示。如果您想了解更多信息，请在goggle上搜索快速傅里叶变换。现在，对模板执行相同的操作，形成模板的信号用于从图像中滤除任何其他信号。

简单来说，它可以抑制图像中与模板不具有相同特征的所有特征。然后使用快速傅里叶逆变换将图像转换回去，以生成图像，其中高值表示匹配，而低值表示相反。该图像通常被标准化，因此1表示匹配，0或左右表示对象不在附近。

请注意，如果它们的对象不在图像中，并且将其归一化，则会进行错误检测，因为计算出的最大值将被视为匹配项。关于该方法的工作方式以及它可能产生的好处或问题，我可能会继续存在很多年，但是…

这种方法之所以如此快速，是因为：1）opencv是高度优化的c

++代码。2）fft功能很容易让您的处理器处理，因为大多数功能都可以在硬件中执行此操作。GPU图形卡旨在每秒执行数百万次ftf操作，因为这些计算在高性能游戏图形或视频编码中同样重要。3）所需的操作量少得多。

在夏季，统计模板匹配方法比较缓慢且需要一定时间，而opencv FFT或cvMatchTemplate（）则快速且高度优化。

如果没有对象，则统计模板匹配将不会产生错误，而opencv FFT可能会出错，除非在使用时小心。

希望这对您有所了解并回答您的问题。

干杯

克里斯

[编辑]

要进一步回答您的问题：

你好

cvMatchTemplate可以与CCOEFF_NORMED和CCORR_NORMED和SQDIFF_NORMED一起使用，包括它们的非标准化版本。这里显示了您可以预期的结果类型，并提供了可以使用的代码。

http://dasl.mem.drexel.edu/~noahKuntz/openCVTut6.html#Step%202

这3种方法被很好地引用，许多论文可以通过Google

Scholar获得。我提供了以下几篇论文。每个人只是简单地使用一个不同的方程式来查找形成模板的FFT信号与图​​像中存在的FFT信号之间的相关性，根据我的经验，相关系数往往会产生更好的结果，并且更容易找到参考。平方差和是另一种可用于比较结果的方法。我希望其中一些帮助：

快速归一化互相关，用于缺陷检测

蔡笃明；Chien-Ta Lin；模式识别信函，第24卷，第15期，2003年11月，第2625-2631页

使用快速归一化互相关的模板匹配 Kai

Briechle; Uwe D.Hanebeck；

二维散斑跟踪技术的相对性能：归一化相关，非归一化相关和和绝对差

Friemel，BH; 伯恩斯（LN）；通用电气Trahey；超声学研讨会，1995年。会议论文集，1995年IEEE

一类用于快速数字图像配准的算法

Barnea，丹尼尔·I。西尔弗曼，哈维。

计算机，IEEE交易，1972年2月

通常倾向于使用这些方法的规范化版本，因为等于1的任何内容都是匹配项，但是如果不存在对象，则可能会得到误报。该方法之所以能够快速运行，完全是因为它是计算机语言所倡导的。所涉及的操作非常适合处理器体系结构，这意味着它可以在几个时钟周期内完成每个操作，而无需在多个时钟周期内转移存储器和信息。处理器解决FFT问题已经有很多年了，就像我说过的那样，内置硬件可以做到这一点。基于硬件的速度总是快于软件，并且模板匹配的统计方法基于基本的软件。可以在这里找到有关硬件的良好阅读：

数字信号处理器

尽管Wiki页面上的参考值得一看，但实际上这是执行FFT计算的硬件

一种新的管道FFT处理器方法

Shousheng He Mats Torkelson；我的最爱，因为它显示了处理器内部发生的情况

高效的本地流水线FFT处理器

Liang Yang；张可为 刘红霞; 金煌 黄士坦

这些论文确实显示了实现时FFT的复杂性，但是过程的流水线使得可以在几个时钟周期内执行操作。这就是基于实时视觉的系统利用FPGA（您可以设计以实现既定任务的特定设计处理器）的原因，因为它们可以在架构中进行极其并行的设计，并且流水线更易于实现。

尽管我必须提到的是，对于图像的FFT，您实际上使用的是FFT2，即水平平原的FFT和垂直平原的FFT，所以当您参考它时不会感到困惑。我不能说我对方程的实现方式和FFT的实现有专业知识，我试图找到好的指南，但是很难找到一个好的指南，以至于我还没有找到一个（我无法理解的一个指南）。最小）。有一天，我可能会理解它们，但是我知道他们对它们如何工作以及可以预期的结果有很好的了解。

除此之外，如果您想实现自己的版本或了解它的工作原理，我真的无法为您提供更多帮助，现在该到该库了，但是我警告您，opencv代码已经过优化，您将很难提高其性能，但是知道您可能想出一种方法来获得更好的结果，祝一切顺利，祝您好运

克里斯

以上是 模板匹配的OpenCV性能 的全部内容， 来源链接： utcz.com/qa/418178.html

回到顶部