基于HALCON的形狀匹配算法的研究和心得總結(jié)

很早就想總結(jié)一下前段時間學(xué)習(xí)HALCON的心得，但由于其他的事情總是抽不出時間。去年有過一段時間的集中學(xué)習(xí)，做了許多的練習(xí)和實(shí)驗(yàn)，并對基于HDevelop的形狀匹配算法的參數(shù)優(yōu)化進(jìn)行了研究，寫了一篇《基于HDevelop的形狀匹配算法參數(shù)的優(yōu)化研究》文章，總結(jié)了在形狀匹配過程中哪些參數(shù)影響到模板的搜索和匹配，又如何來協(xié)調(diào)這些參數(shù)來加快匹配過程，提高匹配的精度，這篇paper放到了中國論文在線了，需要可以去下載。

德國MVTec公司開發(fā)的HALCON機(jī)器視覺開發(fā)軟件，提供了許多的功能，在這里我主要學(xué)習(xí)和研究了其中的形狀匹配的算法和流程。HDevelop開發(fā)環(huán)境中提供的匹配的方法主要有三種，即Component-Based、Gray-Value-Based、Shape-Based,分別是基于組件（或成分、元素）的匹配，基于灰度值的匹配和基于形狀的匹配。這三種匹配的方法各具特點(diǎn)，分別適用于不同的圖像特征，但都有創(chuàng)建模板和尋找模板的相同過程。這三種方法里面，我主要就第三種－基于形狀的匹配，做了許多的實(shí)驗(yàn)，因此也做了基于形狀匹配的物體識別，基于形狀匹配的視頻對象分割和基于形狀匹配的視頻對象跟蹤這些研究，從中取得較好的效果，簡化了用其他工具，比如VC++來開發(fā)的過程。在VC下往往針對不同的圖像格式，就會弄的很頭疼，更不用說編寫圖像特征提取、模板建立和搜尋模板的代碼呢，我想其中間過程會很復(fù)雜，效果也不一定會顯著。下面我就具體地談?wù)劵贖ALCON的形狀匹配算法的研究和心得總結(jié)。

1. Shape-Based matching的基本流程

HALCON提供的基于形狀匹配的算法主要是針對感興趣的小區(qū)域來建立模板，對整個圖像建立模板也可以，但這樣除非是對象在整個圖像中所占比例很大，比如像視頻會議中人體上半身這樣的圖像，我在后面的視頻對象跟蹤實(shí)驗(yàn)中就是針對整個圖像的，這往往也是要犧牲匹配速度的，這個后面再講?；玖鞒淌沁@樣的，如下所示：
⑴ 首先確定出ROI的矩形區(qū)域，這里只需要確定矩形的左上點(diǎn)和右下點(diǎn)的坐標(biāo)即可，gen_rectangle1()這個函數(shù)就會幫助你生成一個矩形，利用area_center()找到這個矩形的中心；

⑵ 然后需要從圖像中獲取這個矩形區(qū)域的圖像，reduce_domain()會得到這個ROI；這之后就可以對這個矩形建立模板，而在建立模板之前，可以先對這個區(qū)域進(jìn)行一些處理，方便以后的建模，比如閾值分割，數(shù)學(xué)形態(tài)學(xué)的一些處理等等；

⑶ 接下來就可以利用create_shape_model()來創(chuàng)建模板了，這個函數(shù)有許多參數(shù)，其中金字塔的級數(shù)由Numlevels指定，值越大則找到物體的時間越少，AngleStart和AngleExtent決定可能的旋轉(zhuǎn)范圍，AngleStep指定角度范圍搜索的步長；這里需要提醒的是，在任何情況下，模板應(yīng)適合主內(nèi)存，搜索時間會縮短。對特別大的模板，用Optimization來減少模板點(diǎn)的數(shù)量是很有用的；MinConstrast將模板從圖像的噪聲中分離出來，如果灰度值的波動范圍是10，則MinConstrast應(yīng)當(dāng)設(shè)為10；Metric參數(shù)決定模板識別的條件，如果設(shè)為’use_polarity’，則圖像中的物體和模板必須有相同的對比度；創(chuàng)建好模板后，這時還需要監(jiān)視模板，用inspect_shape_model()來完成，它檢查參數(shù)的適用性，還能幫助找到合適的參數(shù)；另外，還需要獲得這個模板的輪廓，用于后面的匹配，get_shape_model_contours()則會很容易的幫我們找到模板的輪廓；

⑷ 創(chuàng)建好模板后，就可以打開另一幅圖像，來進(jìn)行模板匹配了。這個過程也就是在新圖像中尋找與模板匹配的圖像部分，這部分的工作就由函數(shù)find_shape_model()來承擔(dān)了，它也擁有許多的參數(shù)，這些參數(shù)都影響著尋找模板的速度和精度。這個的功能就是在一幅圖中找出最佳匹配的模板，返回一個模板實(shí)例的長、寬和旋轉(zhuǎn)角度。其中參數(shù)SubPixel決定是否精確到亞像素級，設(shè)為’interpolation’，則會精確到，這個模式不會占用太多時間，若需要更精確，則可設(shè)為’least_square’,’lease_square_high’，但這樣會增加額外的時間，因此，這需要在時間和精度上作個折中，需要和實(shí)際聯(lián)系起來。比較重要的兩個參數(shù)是MinSocre和Greediness，前一個用來分析模板的旋轉(zhuǎn)對稱和它們之間的相似度，值越大，則越相似，后一個是搜索貪婪度，這個值在很大程度上影響著搜索速度，若為0，則為啟發(fā)式搜索，很耗時，若為1，則為不安全搜索，但最快。在大多數(shù)情況下，在能夠匹配的情況下，盡可能的增大其值。
⑸ 找到之后，還需要對其進(jìn)行轉(zhuǎn)化，使之能夠顯示，這兩個函數(shù)vector_angle_to_rigid()和affine_trans_contour_xld()在這里就起這個作用。前一個是從一個點(diǎn)和角度計算一個剛體仿射變換，這個函數(shù)從匹配函數(shù)的結(jié)果中對構(gòu)造一個剛體仿射變換很有用，把參考圖像變?yōu)楫?dāng)前圖像。

2. 基于形狀匹配的參數(shù)關(guān)系與優(yōu)化
在HALCON的說明資料里講到了這些參數(shù)的作用以及關(guān)系，在上面提到的文章中也作了介紹，這里主要是重復(fù)說明一下這些參數(shù)的作用，再強(qiáng)調(diào)一下它們影響匹配速度的程度；

在為了提高速度而設(shè)置參數(shù)之前，有必要找出那些在所有測試圖像中匹配成功的設(shè)置，這時需考慮以下情況：

① 必須保證物體在圖像邊緣處截斷，也就是保證輪廓的清晰，這些可以通過形態(tài)學(xué)的一些方法來處理；

② 如果Greediness值設(shè)的太高，就找不到其中一些可見物體，這時最后將其設(shè)為0來執(zhí)行完全搜索；
③ 物體是否有封閉區(qū)域，如果要求物體在任何狀態(tài)下都能被識別，則應(yīng)減小MinScore值；

④ 判斷在金字塔最高級上的匹配是否失敗，可以通過find_shape_model（）減小NumLevels值來測試；

⑤ 物體是否具有較低的對比度，如果要求物體在任何狀態(tài)下都能被識別，則應(yīng)減小MinContrast值；

⑥ 判斷是否全局地或者局部地轉(zhuǎn)化對比度極性，如果需要在任何狀態(tài)下都能被識別，則應(yīng)給參數(shù)Metric設(shè)置一個合適的值；
⑦ 物體是否與物體的其他實(shí)例重疊，如果需要在任何狀態(tài)下都能識別物體，則應(yīng)增加MaxOverlap值；

⑧ 判斷是否在相同物體上找到多個匹配值，如果物體幾乎是對稱的，則需要控制旋轉(zhuǎn)范圍；

如何加快搜索匹配，需要在這些參數(shù)中進(jìn)行合理的搭配，有以下方法可以參考：

① 只要匹配成功，則盡可能增加參數(shù)MinScore的值；
② 增加Greediness值直到匹配失敗，同時在需要時減小MinScore值；

③ 如果有可能，在創(chuàng)建模板時使用一個大的NumLevels，即將圖像多分幾個金字塔級；

④ 限定允許的旋轉(zhuǎn)范圍和大小范圍，在調(diào)用find_shape_model（）時調(diào)整相應(yīng)的參數(shù)；

⑤ 盡量限定搜索ROI的區(qū)域；
除上面介紹的以外，在保證能夠匹配的情況下，盡可能的增大Greediness的值，因?yàn)樵诤竺娴膶?shí)驗(yàn)中，用模板匹配進(jìn)行視頻對象跟蹤的過程中，這個值在很大程度上影響到匹配的速度。

當(dāng)然這些方法都需要跟實(shí)際聯(lián)系起來，不同圖像在匹配過程中也會有不同的匹配效果，在具體到某些應(yīng)用，不同的硬件設(shè)施也會對這個匹配算法提出新的要求，所以需要不斷地去嘗試。在接下來我會結(jié)合自己做的具體的實(shí)驗(yàn)來如何利用HALCON來進(jìn)行實(shí)驗(yàn)，主要是在視頻對象分割和視頻對象的跟蹤方面。待續(xù)…………^_^

例子：區(qū)分硬幣 Example: solution_guide/basics/matching_coins.hdev 見附件trainmodel.hdev

create_shape_model(

const Hobject& Template , //reduce_domain后的模板圖像

Hlong NumLevels, //金字塔的層數(shù)，可設(shè)為“auto”或0—10的整數(shù)

Double AngleStart, //模板旋轉(zhuǎn)的起始角度

Double AngleExtent, //模板旋轉(zhuǎn)角度范圍, >=0

Double AngleStep, //旋轉(zhuǎn)角度的步長， >=0 and <=pi/16

const char* Optimization, //設(shè)置模板優(yōu)化和模板創(chuàng)建方法

const char* Metric, //匹配方法設(shè)置

Hlong Contrast, //設(shè)置對比度

Hlong MinContrast , //設(shè)置最小對比度

Hlong* ModelID ) //輸出模板句柄


進(jìn)一步分析：

NumLevels越大，找到匹配使用的時間就越小。另外必須保證最高層的圖像具有足夠的信息（至少四個點(diǎn)）?？梢酝ㄟ^inspect_shape_model函數(shù)查看設(shè)置的結(jié)果。如果最高層金字塔的消息太少，算法內(nèi)部會自動減少金字塔層數(shù)，如果最底層金字塔的信息太少，函數(shù)就會報錯。如果設(shè)為auto，算法會自動計算金字塔的層數(shù)，我們可以通過get_shape_model_params函數(shù)查看金字塔的層數(shù)。如果金字塔的層數(shù)太大，模板不容易識別出來，這是需要將find_shape_model函數(shù)中MinScore和Greediness參數(shù)設(shè)置的低一些。如果金字塔層數(shù)太少找到模板的時間會增加。可以先使用inspect_shape_model函數(shù)的輸出結(jié)果來選擇一個較好的金字塔層數(shù)。

參數(shù)AngleStart、AngleExtent定義了模板可能發(fā)生旋轉(zhuǎn)的范圍。注意模板在find_shape_model函數(shù)中只能找到這個范圍內(nèi)的匹配。參數(shù)AngleStep定義了旋轉(zhuǎn)角度范圍內(nèi)的步長。如果在find_shape_model函數(shù)中沒有指定亞像素精度，這個參數(shù)指定的精度是可以實(shí)現(xiàn)find_shape_mode函數(shù)中的角度的。參數(shù)AngleStep的選擇是基于目標(biāo)的大小的，如果模板圖像太小不能產(chǎn)生許多不同離散角度的圖像，因此對于較小的模板圖像AngleStep應(yīng)該設(shè)置的比較大。如果AngleExtent不是AngleStep的整數(shù)倍, 將會相應(yīng)的修改AngleStep。

如果選擇 complete pregeneration ，不同角度的模板圖像將會產(chǎn)生并保存在內(nèi)存中。用來存儲模板的內(nèi)存與旋轉(zhuǎn)角度的數(shù)目和模板圖像的的點(diǎn)數(shù)是成正比的。因此，如果AngleStep太小或是AngleExtent太大, 將會出現(xiàn)該模型不再適合（虛擬）內(nèi)存的情況。在任何情況下，模型是完全適合主存儲器的，因?yàn)檫@避免了操作系統(tǒng)的內(nèi)存分頁，使得尋找匹配模板的時間變短。由于find_shape_model函數(shù)中的角度可以使用亞像素精度，一個直徑小于200像素的模板可以選擇AngleStep>= 1. 如果選擇AngleStep='auto' (or 0 向后兼容),create_shape_model將會基于模板的大小自動定義一個合適的角度步長. 自動計算出來的AngleStep可以使用get_shape_model_params函數(shù)查看。

如果沒有選擇complete pregeneration, 該模型會在每一層金字塔上建立在一個參考的位置。這樣在find_shape_model函數(shù)運(yùn)行時，該模型必須轉(zhuǎn)化為不同的角度和尺度在運(yùn)行時在。正因?yàn)槿绱?，匹配該模型可能需要更多的時間。

對于特別大的模板圖像，將參數(shù)Optimization設(shè)置為不同于'none'的其他數(shù)值是非常有用的。如果Optimization= 'none', 所有的模型點(diǎn)將要存儲。在其他情況下, 按照Optimization的數(shù)值會將模型的點(diǎn)數(shù)減少. 如果模型點(diǎn)數(shù)變少了，必須在find_shape_model函數(shù)中將參數(shù)Greediness設(shè)為一個比較小的值, 比如：0.7、0.8。對于比較小的模型, 減少模型點(diǎn)數(shù)并不能提高搜索速度，因?yàn)檫@種情況下通常顯著更多的潛在情況的模型必須進(jìn)行檢查。如果Optimization設(shè)置為'auto'， create_shape_model自動確定模型的點(diǎn)數(shù)。

Optimization的第二個值定義了模型是否進(jìn)行預(yù)處理（pregenerated completely），是通過選擇'pregeneration'或者'no_pregeneration'來設(shè)置的。如果不使用第二個值(例如：僅僅設(shè)置了第一個值), 默認(rèn)的是系統(tǒng)中的設(shè)置，是通過set_system('pregenerate _shape_models',...)來設(shè)置的，對于默認(rèn)值是 ('pregenerate_shape_models' = 'false'), 模型沒有進(jìn)行預(yù)處理. 模型的預(yù)處理設(shè)置通常會導(dǎo)致比較低的運(yùn)行時間，因?yàn)槟Ｐ筒恍枰?在運(yùn)行時間時轉(zhuǎn)換。然而在這種情況下,內(nèi)存的要求和創(chuàng)建模板所需要的時間是比較高的。還應(yīng)該指出，不能指望這兩個模式返回完全相同的結(jié)果，因?yàn)樵谶\(yùn)行時變換一定會導(dǎo)致變換模型和預(yù)處理變換模型之間不同的內(nèi)部數(shù)據(jù)。比如，如果模型沒有 completely pregenerated，在find_shape_model函數(shù)中通常返回一個較低的scores，這可能需要將MinScore設(shè)置成一個較低的值。此外，在兩個模型中插值法獲得的位置可能略有不同。如果希望是最高精確度，應(yīng)該使用最小二乘調(diào)整得到模型位置。

參數(shù)Contras決定著模型點(diǎn)的對比度。對比度是用來測量目標(biāo)與背景之間和目標(biāo)不同部分之間局部的灰度值差異。Contrast的選擇應(yīng)該確保模板中的主要特征用于模型中。Contrast也可以是兩個數(shù)值，這時模板使用近似edges_image函數(shù)中滯后閾值的算法進(jìn)行分割。這里第一個數(shù)值是比較低的閾值，第二個數(shù)值是比較高的閾值。Contrast也可以包含第三個，這個數(shù)值是在基于組件尺寸選擇重要模型組件時所設(shè)置的閾值，比如，比指定的最小尺寸的點(diǎn)數(shù)還少的組件將被抑制。這個最小尺寸的閾值會在每相鄰的金字塔層之間除以2。如果一個小的模型組件被抑制，但是不使用滯后閾值，然而在Contrast中必須指定三個數(shù)值，在這種情況下前兩個數(shù)值設(shè)置成相同的數(shù)值。這個參數(shù)的設(shè)置可以在inspect_shape_model函數(shù)中查看效果。如果Contrast設(shè)置為'auto'，create_shape_model將會自動確定三個上面描述的數(shù)值?；蛘邇H僅自動設(shè)置對比度('auto_contrast')，滯后閾值('auto_contrast_hyst')或是最小尺寸('auto_min_size')中一個。其他沒有自動設(shè)置的數(shù)值可以按照上面的格式再進(jìn)行設(shè)置?？梢栽试S各種組合，例如：如果設(shè)置 ['auto_contrast','auto_min_size']，對比度和最小尺寸自動確定；如果設(shè)置 ['auto_min_size',20,30]，最小尺寸會自動設(shè)定，而滯后閾值被設(shè)為20和30。有時候可能對比度閾值自動設(shè)置的結(jié)果是不滿意的，例如，由于一些具體應(yīng)用的原因當(dāng)某一個模型組件是被包含或是被抑制時，或是目標(biāo)包含幾種不同的對比度時，手動設(shè)置這些參數(shù)效果會更好。因此對比度閾值可以使用determine_shape_model_params函數(shù)自動確定，也可以在調(diào)用create_shape_model之前使用inspect_shape_mode函數(shù)檢查效果。

MinContrast用來確定在執(zhí)行find_shape_model函數(shù)進(jìn)行識別時模型的哪一個對比度必須存在，也就是說，這個參數(shù)將模型從噪聲圖像中分離出來。因此一個好的選擇應(yīng)該是在圖像中噪聲所引起的灰度變化范圍。例如，如果灰度浮動在10個灰度級內(nèi)，MinContrast應(yīng)該設(shè)置成10。如果模板和搜索圖像是多通道圖像，Metric參數(shù)設(shè)置成'ignore_color_polarity'，在一個通道中的噪聲必須乘以通道個數(shù)的平方根再去設(shè)置MinContrast。例如，如果灰度值在一個通道的浮動范圍是10個灰度級，圖像是三通道的，那么MinContrast應(yīng)該設(shè)置為17。很顯然，MinContrast必須小于Contrast。如果要在對比度較低的圖像中識別模板，MinContrast必須設(shè)置為一個相對較小的數(shù)值。如果要是模板即使嚴(yán)重遮擋（occluded）也能識別出來，MinContrast應(yīng)該設(shè)置成一個比噪聲引起的灰度浮動范圍略大的數(shù)值，這樣才能確保在find_shape_model函數(shù)中提取出模板準(zhǔn)確的位置和旋轉(zhuǎn)角度。如果MinContrast設(shè)置為'auto'，最小對比度會基于模板圖像中的噪聲自動定義。因此自動設(shè)定僅僅在搜索圖像和模板圖像噪聲近似時才可以使用。此外，在某些情況下為了遮擋的魯棒性，采用自動設(shè)定數(shù)值是比較好的。使用get_shape_model_params函數(shù)可以查詢自動計算的最小對比度。

參數(shù)Metric定義了在圖像中匹配模板的條件。如果Metric= 'use_polarity'，圖像中的目標(biāo)必須和模型具有一樣的對比度。例如，如果模型是一個亮的目標(biāo)在一個暗的背景上，那么僅僅那些比背景亮的目標(biāo)可以找到。如果Metric= 'ignore_global_polarity',在兩者對比度完全相反時也能找到目標(biāo)。在上面的例子中，如果目標(biāo)是比背景暗的也能將目標(biāo)找到。find_shape_model函數(shù)的運(yùn)行時間在這種情況下將會略微增加。如果Metric= 'ignore_local_polarity', 即使局部對比度改變也能找到模型。例如，當(dāng)目標(biāo)包含一部分中等灰度，并且其中部分比較亮部分比較暗時，這種模式是非常有用的。由于這種模式下find_shape_model函數(shù)的運(yùn)行時間顯著增加，最好的方法是使用create_shape_model創(chuàng)建幾個反映目標(biāo)可能的對比度變化的模型，同時使用find_shape_models去匹配他們。上面三個metrics僅僅適用于單通道圖像。如果是多通道圖像作為模板圖像或搜索圖像，僅僅第一個通道被使用。如果Metric='ignore_color_pol

arity', 即使顏色對比度局部變化也能找到模型。例如，當(dāng)目標(biāo)的部分區(qū)域顏色發(fā)生變化(e.g.從紅到綠)的情況。如果不能提前知道目標(biāo)在哪一個通道是可見的這種模式是非常有用的。在這種情況下find_shape_model函數(shù)的運(yùn)行時間也會急劇增加。'ignore_color_polarity'可以使用于具有任意通道數(shù)目的圖像中。如果使用于單通道圖像，他的效果和'ignore_loc al_polarity'是完全相同的。當(dāng)Metric= 'ignore_color_polarity' 時，

create_shape_model創(chuàng)建的模板通道數(shù)目和find_shape_model中的圖像通道數(shù)目可以是不同的。例如，可以使用綜合生成的單通道圖像創(chuàng)建模型。另外，這些通道不需要是經(jīng)過光譜細(xì)分(像RGB圖像)的。這些通道還可以包括具有在不同方向照亮同一個目標(biāo)所獲得的圖像。

模型圖像Template的domain區(qū)域的重心是模板的初始位置，可以在set_shape_model_origin函數(shù)中設(shè)置不同的初始位置。

LIntExport Herror find_shape_model(

const Hobject& Image, //搜索圖像

Hlong ModelID, //模板句柄

Double AngleStart, // 搜索時的起始角度

Double AngleExtent, //搜索時的角度范圍，必須與創(chuàng)建模板時的有交集。

Double MinScore, // 輸出的匹配的質(zhì)量系數(shù)Score 都得大于該值

Hlong NumMatches, // 定義要輸出的匹配的最大個數(shù)

Double MaxOverlap, // 當(dāng)找到的目標(biāo)存在重疊時，且重疊大于該值時選

//擇一個好的輸出

const char* SubPixel, // 計算精度的設(shè)置，五種模式，多選2，3

Hlong NumLevels, // 搜索時金字塔的層數(shù)

Double Greediness , //貪婪度，搜索啟發(fā)式，一般都設(shè)為0.9，越高速度快

//容易出現(xiàn)找不到的情況

Halcon::HTuple* Row, //輸出匹配位置的行坐標(biāo)

Halcon::HTuple* Column, //輸出匹配位置的列坐標(biāo)

Halcon::HTuple* Angle, //輸出匹配角度

Halcon::HTuple* Score ) //輸出匹配質(zhì)量

進(jìn)一步分析：

注意Row、Column的坐標(biāo)并不是模板在搜索圖像中的精確位置，因此不能直接使用他們。這些數(shù)值是為了創(chuàng)建變換矩陣被優(yōu)化后的，你可以用這個矩陣的匹配結(jié)果完成各種任務(wù)，比如調(diào)整后續(xù)步驟的ROI。

Score是一個0到1之間的數(shù)，是模板在搜索圖像中可見比例的近似測量。如果模板的一半被遮擋，該值就不能超過0.5。

Image的domain定義了模型參考點(diǎn)的搜索區(qū)域，模型參考點(diǎn)是在create_shape_model中用來創(chuàng)建模型的圖像的domain區(qū)域的重心。不考慮使用函數(shù)set_shape_model_origin設(shè)置不同的初始位置。在圖像domain區(qū)域的這些點(diǎn)內(nèi)搜索模型，其中模型完全屬于這幅圖像。這意味著如果模型超出圖像邊界，即使獲得的質(zhì)量系數(shù)(score)大于MinScore也不能找到模型。這種性能可以通過set_system('border_shape_models','true')改變，這樣那些超出圖像邊界，質(zhì)量系數(shù)大于MinScore的模型也能找到。這時那些在圖像外面的點(diǎn)看作是被遮擋了，可以降低質(zhì)量系數(shù)。在這種模式下搜索的時間將要增加。

參數(shù)AngleStart和AngleExtent確定了模型搜索的旋轉(zhuǎn)角度，如果有必要，旋轉(zhuǎn)的范圍會被截取成為create_shape_model函數(shù)中給定的旋轉(zhuǎn)范圍。這意味著創(chuàng)建模型和搜索時的角度范圍必須真正的重疊。在搜索時的角度范圍不會改變?yōu)槟?*pi的。為了簡化介紹，在該段落剩下的部分所有角度都用度來表示，而在find_shape_model函數(shù)中使用弧度來設(shè)置的。因此，如果創(chuàng)建模板時，AngleStart=-20°、AngleExtent=40°，在搜索模板函數(shù)find_shape_model中設(shè)置AngleStart=350°、AngleExtent=20°，盡管角度模360后是重疊的，還是會找不到模板的。為了找到模板，在這個例子中必須將AngleStart=350°改為AngleStart=-10°。

參數(shù)MinScore定義模板匹配時至少有個什么樣的質(zhì)量系數(shù)才算是在圖像中找到模板。MinScore設(shè)置的越大,搜索的就越快。如果模板在圖像中沒有被遮擋，MinScore可以設(shè)置為0.8這么高甚至0.9。

NumMatches定義了在圖像上找到模板的最大的個數(shù)。如果匹配時的質(zhì)量系數(shù)大于MinScore的目標(biāo)個數(shù)多于NumMatches，僅僅返回質(zhì)量系數(shù)最好的NumMatches個目標(biāo)位置。如果找的匹配目標(biāo)不足NumMatches，那么就只返回找到的這幾個。參數(shù)MinScore優(yōu)于NumMatches。

如果模型具有對稱性，會在搜索圖像的同一位置和不同角度上找到多個與目標(biāo)匹配的區(qū)域。參數(shù)MaxOverlap是0到1之間的，定義了找到的兩個目標(biāo)區(qū)域最多重疊的系數(shù)，以便于把他們作為兩個不同的目標(biāo)區(qū)域分別返回。如果找到的兩個目標(biāo)區(qū)域彼此重疊并且大于MaxOverlap，僅僅返回效果最好的一個。重疊的計算方法是基于找到的目標(biāo)區(qū)域的任意方向的最小外接矩形(看smallest_rectangle2)。如果MaxOverlap=0, 找到的目標(biāo)區(qū)域不能存在重疊, 如果MaxOverla p=1，所有找到的目標(biāo)區(qū)域都要返回。

SubPixel確定找到的目標(biāo)是否使用亞像素精度提取。如果SubPixel設(shè)置為'none'(或者'false' 背景兼容)，模型的位置僅僅是一個像素精度和在create_shape_model中定義的角度分辨率。如果SubPixel設(shè)置為'interpo lation'(或'true')，位置和角度都是亞像素精度的。在這種模式下模型的位置是在質(zhì)量系數(shù)函數(shù)中插入的，這種模式幾乎不花費(fèi)計算時間，并且能達(dá)到足夠高的精度，被廣泛使用。然而在一些精度要求極高的應(yīng)用中，模板的位置應(yīng)該通過最小二乘調(diào)整決定，比如通過最小化模板點(diǎn)到相關(guān)圖像點(diǎn)的距離。與 'interpolation'相比，這種模式需要額外的計算時間。對于最小二乘調(diào)整的模式有：'least_squares', 'least_squares_high', 和'least_squares_very_high'。他們可用來定義被搜索的最小距離的精度，選擇的精度越高，亞像素提取的時間越長。然而，通常SubPixel設(shè)置為'interpolation'。如果希望設(shè)置最小二乘就選擇'least_squares'， 因?yàn)檫@樣才能確保運(yùn)行時間和精度的權(quán)衡。

NumLevels是在搜索時使用的金字塔層數(shù)，如有必要，層數(shù)截成創(chuàng)建模型時的范圍。如果NumLevels=0，使用創(chuàng)建模板時金字塔的層數(shù)。另外NumLevels還可以包含第二個參數(shù)，這個參數(shù)定義了找到匹配模板的最低金字塔層數(shù)。NumLevels=[4,2]表示匹配在第四層金字塔開始，在第二層金字塔找到匹配（最低的設(shè)為1）?？梢允褂眠@種方法降低匹配的運(yùn)行時間，但是這種模式下位置精度是比正常模式下低的，所謂正常模式是在金字塔最底層匹配。因此如果需要較高的精度，應(yīng)該設(shè)置SubPixel至少為'least_squares'。如果金字塔最底層設(shè)置的過大，可能不會達(dá)到期望的精度，或者找到一個不正確的匹配區(qū)域。這是因?yàn)樵谳^高層的金字塔上模板是不夠具體的，不足以找到可靠的模板最佳匹配。在這種情況下最低金字塔層數(shù)應(yīng)設(shè)為最小值。

參數(shù)Greediness確定在搜索時的“貪婪程度”。如果Greediness=0，使用一個安全的搜索啟發(fā)式，只要模板在圖像中存在就一定能找到模板，然而這種方式下搜索是相對浪費(fèi)時間的。如果Greediness=1，使用不安全的搜索啟發(fā)式，這樣即使模板存在于圖像中，也有可能找不到模板，但只是少數(shù)情況。如果設(shè)置Greediness=0.9，在幾乎所有的情況下，總能找到模型的匹配。