前言

好几天没有更新了，最近心情不太顺畅，休息了几天！
       最近在研究户外宽温条件下汽车油箱口的识别与检测，因技术路线限制，不能更换特制的油箱盖与油箱口，所以需要找寻其他可行的方法。经过多次调研与针对市面上主流相机的识别精度与识别定位方式，最终还是选用了模板匹配的方式。但有一些问题是现实存在的，比如户外光照对成像的影响，拍照角度对成像的影响等等，但万事开头难，一定要知道我们现在能做到什么程度，能取得什么样的效果，Let's GO!

---

什么是模板匹配

       模板就是一副已知的小图像，而模板匹配就是在一副大图像中用已知的模板去搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通过一定的算法可以在图中找到目标，确定其坐标位置。但得到的行列位置不建议直接使用。

模板匹配方式

      halcon的模板匹配种类有很多种，方法各有优缺点。一般有基于灰度的匹配，基于形状，基于相关性的匹配等等，再次不在多做赘述，但考虑到项目的特殊情况，需要考虑图像的旋转，图像匹配一般需要对旋转放缩进行处理，另外为了提高搜索效率，常用用图像金字塔来处理模板图像，图像金子塔就是把图像按一定算法，缩小为不同比例的模板，减少像素。一般的模板匹配流程如下：图像来自https://blog.csdn.net/thisiszdy/article/details/108000083

综上：选用了局部可变性的模板以及可缩放的模板两种方式进行模板匹配。

---

算子介绍

//创建普通模板create_shape_model(               Template ,                    // 模板图像 NumLevels,                    // 图像金字塔 AngleStart,                   // 起始角度 AngleExtent,                  // 角度范围 AngleStep,                    // 角度步长 Optimization,                 // 优化算法 Metric,                       // 极性 Contrast,                     // 对比度 MinContrast，                 // 最小对比度 ModelID                       // 生成模板ID)
/// 
//匹配模板
find_shape_model(Image,           // 匹配图像 ModelID,                      //模板句柄AngleStart,                   // 起始角度AngleExtent,                  //角度范围 MinScore,                     // 最低得分输出的匹配的得分Score 大于该值NumMatches,                   // 匹配数量 MaxOverlap,                   // 最大重叠SubPixel,                     //计算精度的设置，五种模式，多选2，3	NumLevels,                    //搜索时金字塔的层数	Greediness :                  //贪婪度，搜索启发式，一般都设为0.9，越高速度快,容易出现找不到的情况Row,Column,Angle,Score)       //输出匹配位置的行和列坐标、角度、得分。//创建一个形状的表示模型
create_scaled_shape_model (ImageReduced3, 'auto', rad(-45), rad(90), 'auto', 0.9, 1, 0, 'no_pregeneration', 'ignore_global_polarity', 'auto', 'auto', ModelID)//使用用图像创建带有缩放的匹配模板，上面的灰度分割什么的其实可以不要//NumLevels 最高金子塔层数//AngleStart 开始角度加rad(90)是将弧度制转为角度值//AngleExtent 角度范围//AngleStep 旋转角度步长//ScaleMin 模板行方向缩放最小尺度//ScaleMax 模板行方向缩放最大尺寸//MinScore 最低匹配分值 百分比//ScaleStep 步长//Optimization 优化选项 是否减少模板点数//Metric 匹配度量级性旋转 //MinContrast 最小对比度//ModelID 生成模板ID
///
//可缩放的模板匹配（//寻找单个带尺度形状模板最佳匹配）
find_scaled_shape_model (ImageRectifiedFixed, ModelID, rad(-180), rad(180), 0.5, 1.2, 0.3, 1, 0.5, 'none', 4, 0.9, Row, Column, Angle, Scale, Score)//ImageRectifiedFixed 要搜索的图像//ModelID 模板ID//AngleStart 开始角度加rad(90)是将弧度制转为角度值//AngleExtent 角度范围//ScaleMin 模板行方向缩放最小尺度//ScaleMax 模板行方向缩放最大尺寸//MinScore 最低匹配分值 百分比//NumMatches 匹配实例的个数//MaxOverlap 最大重叠 在有重叠时也可检测匹配//SubPixel 是否亚像素精度//NumLevels 金子塔层数//Greediness 搜索贪婪度； 0安全慢；1块不稳定；其他就是介于中间值//剩下的几个参数是匹配图像的位置状态等参数
/
//重点描述一下
create_local_deformable_model(Template : : NumLevels, AngleStart, AngleExtent, AngleStep, ScaleRMin, ScaleRMax, ScaleRStep, ScaleCMin, ScaleCMax, ScaleCStep, Optimization, Metric, Contrast, MinContrast, ParamName, ParamValue : ModelID)
create_local_deformable_model(//Template：输入多通道图像，用来创建model//NumLevels：输入integer，用来控制最多有多少层金字塔层数：'auto'， 0,1,2,3，。。。//AngleStart：输入角度，控制初始的最小角度（调整匹配时候开始的最小角度，默认-0.39）//AngleExtent：输入角度，控制旋转的范围，默认0.79//AngleStep：输入角度，控制旋转的最小角度，即分辨率，默认’auto'//ScaleRMin：行方向的最小缩放比例，默认1.0，通常大于0小于1//ScaleRMax：行方向的最大缩放比例，默认1.0，通常大于1小于1.5//ScaleRStep：行方向的缩放步长，可影响行方向的分辨率，默认'auto', 0.01,0.02,0.05,。。//ScaleCMin://ScaleCMax:            列方向，同上//ScaleCStep://Optimization：生成模型时的优化方式，默认'none',可选，'auto','point_reduction_XXX'//Metric: 比较时候的标准：默认'use_polarity'使用极坐标系进行比较//Contrast：在模板图片的滤波或者磁滞滤波中，控制结果的对比度，默认'auto', 10, 20....//MinContrast：在搜寻对象过程中的最小对比度，默认'auto', 1, 2, 3, 5....//ParamName: 普通参数名字（不太清楚用途，后续研究）默认[], 'min_size','part_size'//ParamValue：参数值， 默认[], 可选'small', 'medium', big'//ModelID:  输出的模型handle

---

准备工作已就绪开搞！！！！

---

• 读取图像

dev_close_window()
dev_open_window(0, 0, 512, 512, 'black', WindowHandle)
read_image (Image3, 'C:/Users/siasun/Desktop/3.jpg')
dev_display(Image3)

• 灰度处理

rgb1_to_gray(Image3,GrayImage)
dev_display(GrayImage)
get_image_size(GrayImage,Width,Height)

• ROI处理

draw_rectangle2(WindowHandle, Row, Column, Phi, Length1, Length2)
gen_rectangle2(Rectangle1, Row, Column, Phi, Length1, Length2)
reduce_domain (GrayImage, Rectangle, TemplateImage)

哈哈 1与2的区别就是2有方向  可以理解为交互式绘制任意有方向的矩形框  // YapethsDY真知灼见

• 模板保存

write_shape_model(ModelID2, 'C:/Users/siasun/Desktop/1/1.shm')
*write_shape_model_3d(WindowHandle1, 'C:/Users/siasun/Desktop/1/1.shm')

使用Create_shape_model 以及Create_scale_shape_model时可调用该函数保存模板为.shm文件

但使用Create_local_deformable_model时该接口函数无法使用

• 模板创建与匹配

* create_local_deformable_model(TemplateImage, 'auto', 0, 360, 0.0175, 1, 1, 'auto', 1, 1, 'auto', 'none', 'use_polarity', 'auto', 'auto', [], [], ModelID)
create_scaled_shape_model(TemplateImage, 'auto', 0, 360, 0.0175, 0.9, 1.1, 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
*inspect_shape_model (TemplateImage, ModelImages, ModelRegions, 3, 30)
*create_shape_model (TemplateImage, 6, rad(0), rad(360), rad(0.6151), ['point_reduction_high','no_pregeneration'], 'use_polarity', [24,44,12], 4, ModelId)
*get_shape_model_contours (ModelContours, ModelId, 1)
*get_shape_model_contours(ModelContours, ModelID, 1)
get_deformable_model_contours (ModelContours, ModelID, 1)
ImgNum := 9
ImageNameStart := 'C:/Users/Administrator/Desktop/img_'
for I := 0 to ImgNum - 1 by 1
read_image (Image1, ImageNameStart + I$'02d')
rgb1_to_gray(Image1,GrayImage1)
dev_display(GrayImage1)
*auto_threshold(GrayImage1, Regions, 2)
*connection (Regions, ConnectedRegions)
*select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 50, 500)
*find_local_deformable_model (GrayImage1, ImageRectified, VectorField, DeformedContours, ModelID, 0, 360, 1, 1, 1, 1, 0.5, 1, 1, 0, 0.9, [], [], [], ModelScore, ModelRow, ModelColumn)
find_scaled_shape_model(GrayImage1, ModelID, 0, 360, 0.9, 1.1, 0.5, 1, 0.5, 'least_squares', 0, 0.9, ModelRow, ModelColumn, ModelAngle, ModelScale, ModelScore)
*find_shape_model (GrayImage1, ModelId, rad(0), rad(360), 0.2, 9, 0.5, 'least_squares', [6,1], 0.8, ModelRow, ModelColumn, ModelAngle, ModelScore)
* Matching 02: transform the model contours into the detected positionsfor MatchingObjIdx := 0 to |ModelScore| - 1 by 1hom_mat2d_identity (HomMat)*     hom_mat2d_rotate (HomMat, ModelAngle[MatchingObjIdx], 0, 0, HomMat)hom_mat2d_translate (HomMat, ModelRow[MatchingObjIdx], ModelColumn[MatchingObjIdx], HomMat)affine_trans_contour_xld (ModelContours, TransContours, HomMat)

---

在halcon里的整个处理过程已经完成，项目实际应用的话需要导出c++程序

---

测试结果如下图

等等 具体的后续再说吧 下班了