模板匹配演算法

『壹』 求基於matlab車牌識別全過程的程序用模板匹配法，要有「蘇」字，程序不要太復雜的，求大師指點！

樓主，嘞是不可能滴。

首先你要做一個把圖片轉換成灰矩陣的程序，並且圖片要盡量是車牌的正面照（不要照斜了）；
其次是訓練樣本，這個就只有慢慢去找。
最後才是識別演算法，目前有很多，神經網路神馬的都可以。

你才給5分，就不要想那麼多了。 有那麼容易做出來，早拿去賣錢了。

『貳』 雙目視覺的匹配演算法是不是有好幾種具體是哪幾種

與普通的圖像模板匹配不同的是，立體匹配是通過在兩幅或多幅存在視點差異、幾何畸變、灰度畸變、雜訊干擾的圖像對之間進行的，不存在任何標准模板進行匹配。立體匹配方法一般包含以下三個問題:(1)基元的選擇，即選擇適當的圖像特徵如點、直線、相位等作為匹配基元;(2)匹配的准則，將關於物理世界的某些固有特徵表示為匹配所必須遵循的若干規則，使匹配結果能真實反映景物的本來面目;(3)演算法結構，通過利用適當的數學方法設計能正確匹配所選擇基元的穩定演算法。

根據匹配基元的不同，立體視覺匹配演算法目前主要分為三大類,即區域匹配、相位匹配和特徵匹配:

基於區域灰度的匹配演算法是把一幅圖像(基準圖)中某一點的灰度鄰域作為模板，在另一幅圖像(待匹配圖)中搜索具有相同(或相似)灰度值分布的對應點鄰域，從而實現兩幅圖像的匹配。這類演算法的性能取決於度量演算法及搜索策略的選擇。另外，也必須考慮匹配窗口大小、形式的選擇，大窗口對於景物中存在的遮擋或圖像不光滑的情況會更多的出現誤匹配，小窗口則不具有足夠的灰度變化信息，不同的窗口形式對匹配信息也會有不同的影響。因此應該合理選取匹配區域的大小和形式來達到較好的匹配結果。

相位匹配是近二十年發展起來的一種匹配演算法，相位作為匹配基元，即認為圖像對中的對應點局部相位是一致的。最常用的相位匹配演算法有相位相關法和相位差——頻率法，雖然該方法是一種性能穩定、具有較強的抗輻射抗透視畸變能力、簡單高效、能得到稠密視差圖的特徵匹配方法。但是，當局部結構存在的假設不成立時，相位匹配演算法因帶通輸出信號的幅度太低而失去有效性，也就是通常提到的相位奇點問題，在相位奇點附近，相位信息對位置和頻率的變化極為敏感，因此用這些像素所確定的相位差異來衡量匹配誤差將導致極不可靠的結果。此外，相位匹配演算法的收斂范圍與帶通濾波器的波長有關，通常要考慮相位卷繞，在用相位差進行視差計算時，由於所採用的相位只是原信號某一帶通條件下的相位，故視差估計只能限制在某一限定范圍之內，隨視差范圍的增大，其精確性會有所下降。

基於特徵的圖像匹配方法是目前最常用的方法之一，由於它能夠將對整個圖像進行的各種分析轉化為對圖像特徵(特徵點、特徵曲線等)的分析的優點，從而大大減小了圖像處理過程的計算量，對灰度變化、圖像變形、噪音污染以及景物遮擋等都有較好的適應能力。

基於特徵的匹配方法是為使匹配過程滿足一定的抗噪能力且減少歧義性問題而提出來的。與基於區域的匹配方法不同，基於特徵的匹配方法是有選擇地匹配能表示景物自身特性的特徵，通過更多地強調空間景物的結構信息來解決匹配歧義性問題。這類方法將匹配的搜索范圍限制在一系列稀疏的特徵上。利用特徵間的距離作為度量手段，具有最小距離的特徵對就是最相近的特徵對，也就是匹配對。特徵間的距離度量有最大最小距離、歐氏距離等。

特徵點匹配演算法嚴格意義上可以分成特徵提取、特徵匹配和消除不良匹配點三步。特徵匹配不直接依賴於灰度，具有較強的抗干擾性。該類方法首先從待匹配的圖像中提取特徵，用相似性度量和一些約束條件確定幾何變換，最後將該變換作用於待匹配圖像。匹配中常用的特徵基元有角點、邊緣、輪廓、直線、顏色、紋理等。同時，特徵匹配演算法也同樣地存在著一些不足，主要表現為:

(l)特徵在圖像中的稀疏性決定了特徵匹配只能得到稀疏的視差場，要獲得密集的視差場必須通過使用插值的過程，插值過程通常較為復雜。

(2)特徵的提取和定位的准確與否直接影響特徵匹配結果的精確度。

(3)由於其應用場合的局限性，特徵匹配往往適用於具有特徵信息顯著的環境中，在缺少顯著主導特徵環境中該方法有很大困難。

總之，特徵匹配基元包含了演算法編程上的靈活性以及令人滿意的統計特性。演算法的許多約束條件均能清楚地應用於數據結構，而數據結構的規則性使得特徵匹配非常適用於硬體設計。例如，基於線段的特徵匹配演算法將場景模型描繪成相互聯結的邊緣線段，而不是區域匹配中的平面模型，因此能很好地處理一些幾何畸變問題，對對比度和明顯的光照變化等相對穩定。特徵匹配由於不直接依賴於灰度，計算量小，比基於區域的匹配演算法速度快的多。且由於邊緣特徵往往出現在視差不連續的區域，特徵匹配較易處理立體視覺匹配中的視差不連續問題。

『叄』 圖像處理問題：模板匹配後，已經找到最佳匹配點，如何在圖像中剔除與模板目標相似的子圖像。

這個簡單，你是肯定是用匹配演算法做的，這樣就會有最大匹配值，這個值就是你的最佳匹配點，然後小於這個值的你全部刪除，不顯示出來就可以了。

『肆』 圖象匹配比值演算法

自相關比值模板匹配演算法

『伍』 求助：用matlab實現圖像相關法模板匹配程序

免安裝 matlab 6.5 綠色破解可移動板 下載地址
到目前為止（2008/09/21)為止 ，國內唯一綠色免安裝版本的matlab綠色免安裝版

主要優點是免安裝的，裝一次matlab非常耗時！這個版本是能夠放在U盤里的，即插即用，現在的U盤一般都在1G左右，512M的U盤也夠放下這個移動版的matlab了。

版本：6.5 因為6.5運行速度比7.0的快，且小!

『陸』 MATLAB模板匹配語法怎麼用

MATLAB在一個圖像區域中，物體檢測的一種最基本的方法是通過模板匹配來進行。在匹配過程中，所關注的物體（即模板）和圖像區域中的所有的未知物體進行比較，如果模板和未知物體是匹配的，並且模板是足夠精確的，則未知物體被標示為模板物體。
匹配步驟：
1、先處理模板，把模板轉化成一個（800，600）的二值圖像，再做一個匹配圖像（圖像中包含五個物體，其中有兩個與模板圖像一個圖形，其他三個圖形任意且要與模板圖像有明顯的差別）；並轉化為一個（800，600）的二值圖像；
2、對圖像進行傅立葉變換，分別對模板圖像和匹配圖像進行二維傅立葉變換。
3、計算模板圖像與目標圖像的相關性，方法是先將匹配圖像旋轉180度，然後基於快速傅里葉變換的卷積計算技術進行計算。（如果將卷積中心旋轉180度，則卷積計算和相關計算是等價的。）
4、觀察生成的頻譜圖像中的五個譜峰，找出其中的兩個最高譜峰的位置。（最高的兩個譜峰的位置就是與模板物體匹配。）

『柒』 使用OpenCV進行模板匹配（原圖-模板圖）

匹配演算法有很多，比如最簡單的對比原圖和模板圖的像素值。
但是這種方法稍微有一點旋轉和光照變化結果就會很差。

為了改進這個，有了SAD演算法。
然後SAD相似的SSD。
再然後是計算區域互相關性的NCC演算法。
以上三種演算法中，SAD演算法最簡單，因此當模板大小確定後，SAD演算法的速度最快。NCC演算法與SAD演算法相比要復雜得多。

至於演算法的過程，這三個演算法都是很好理解的演算法，我覺得還是自學比較好。

『捌』 人體行為識別有哪些演算法

人體行為識別前已有的方法主要分為三大類：基於模板的方法，基於概率統計的方法和基於語義的方法。
模板匹配是一種較早用在人體運動識別上的方法,將運動圖像序列轉化為一個或一組靜態的模板，通過將待識別樣本的模板與已知的模板進行匹配獲得識別結果。在行為識別中，基於模板匹配的演算法可以分為幀對幀匹配方法和融合匹配方法。主要方法有：運動能量圖像（MEI）和運動歷史圖像（MHI），基於輪廓的平均運動形狀（MMS）和基於運動前景的平均運動能量（AME）等。
概率統計方法進行運動識別是把運動的每一種靜態姿勢定義為一個狀態或者一個狀態的集合，通過網路的方式將這些狀態連接起來，狀態和狀態之間的切換採用概率來描述。主要有隱馬爾科夫模型HMM， 最大熵馬爾科夫模型（MEMM），條件隨機場（CRF）等。

『玖』 opencv 中自帶的模板匹配演算法，不能顯示結果。

1-18.jpg

文件名有沒有問題？ 。通常最好不要用含有中文和這些特殊符號的文件名吧，先改一下試試

而且，上面提示說是一個斷言錯誤發生了。
觸發這個斷言的原因是() 里的那個條件不滿足，因此斷言錯誤，斷言在debug版本中才有效，要不你試試編譯release版本吧。

『拾』 求matlab 車牌識別 用模板匹配法 能txt文本輸出的

郵箱在哪裡 已發