模板匹配算法

‘壹’ 求基于matlab车牌识别全过程的程序用模板匹配法，要有“苏”字，程序不要太复杂的，求大师指点！

楼主，嘞是不可能滴。

首先你要做一个把图片转换成灰矩阵的程序，并且图片要尽量是车牌的正面照（不要照斜了）；
其次是训练样本，这个就只有慢慢去找。
最后才是识别算法，目前有很多，神经网络神马的都可以。

你才给5分，就不要想那么多了。 有那么容易做出来，早拿去卖钱了。

‘贰’ 双目视觉的匹配算法是不是有好几种具体是哪几种

与普通的图像模板匹配不同的是，立体匹配是通过在两幅或多幅存在视点差异、几何畸变、灰度畸变、噪声干扰的图像对之间进行的，不存在任何标准模板进行匹配。立体匹配方法一般包含以下三个问题:(1)基元的选择，即选择适当的图像特征如点、直线、相位等作为匹配基元;(2)匹配的准则，将关于物理世界的某些固有特征表示为匹配所必须遵循的若干规则，使匹配结果能真实反映景物的本来面目;(3)算法结构，通过利用适当的数学方法设计能正确匹配所选择基元的稳定算法。

根据匹配基元的不同，立体视觉匹配算法目前主要分为三大类,即区域匹配、相位匹配和特征匹配:

基于区域灰度的匹配算法是把一幅图像(基准图)中某一点的灰度邻域作为模板，在另一幅图像(待匹配图)中搜索具有相同(或相似)灰度值分布的对应点邻域，从而实现两幅图像的匹配。这类算法的性能取决于度量算法及搜索策略的选择。另外，也必须考虑匹配窗口大小、形式的选择，大窗口对于景物中存在的遮挡或图像不光滑的情况会更多的出现误匹配，小窗口则不具有足够的灰度变化信息，不同的窗口形式对匹配信息也会有不同的影响。因此应该合理选取匹配区域的大小和形式来达到较好的匹配结果。

相位匹配是近二十年发展起来的一种匹配算法，相位作为匹配基元，即认为图像对中的对应点局部相位是一致的。最常用的相位匹配算法有相位相关法和相位差——频率法，虽然该方法是一种性能稳定、具有较强的抗辐射抗透视畸变能力、简单高效、能得到稠密视差图的特征匹配方法。但是，当局部结构存在的假设不成立时，相位匹配算法因带通输出信号的幅度太低而失去有效性，也就是通常提到的相位奇点问题，在相位奇点附近，相位信息对位置和频率的变化极为敏感，因此用这些像素所确定的相位差异来衡量匹配误差将导致极不可靠的结果。此外，相位匹配算法的收敛范围与带通滤波器的波长有关，通常要考虑相位卷绕，在用相位差进行视差计算时，由于所采用的相位只是原信号某一带通条件下的相位，故视差估计只能限制在某一限定范围之内，随视差范围的增大，其精确性会有所下降。

基于特征的图像匹配方法是目前最常用的方法之一，由于它能够将对整个图像进行的各种分析转化为对图像特征(特征点、特征曲线等)的分析的优点，从而大大减小了图像处理过程的计算量，对灰度变化、图像变形、噪音污染以及景物遮挡等都有较好的适应能力。

基于特征的匹配方法是为使匹配过程满足一定的抗噪能力且减少歧义性问题而提出来的。与基于区域的匹配方法不同，基于特征的匹配方法是有选择地匹配能表示景物自身特性的特征，通过更多地强调空间景物的结构信息来解决匹配歧义性问题。这类方法将匹配的搜索范围限制在一系列稀疏的特征上。利用特征间的距离作为度量手段，具有最小距离的特征对就是最相近的特征对，也就是匹配对。特征间的距离度量有最大最小距离、欧氏距离等。

特征点匹配算法严格意义上可以分成特征提取、特征匹配和消除不良匹配点三步。特征匹配不直接依赖于灰度，具有较强的抗干扰性。该类方法首先从待匹配的图像中提取特征，用相似性度量和一些约束条件确定几何变换，最后将该变换作用于待匹配图像。匹配中常用的特征基元有角点、边缘、轮廓、直线、颜色、纹理等。同时，特征匹配算法也同样地存在着一些不足，主要表现为:

(l)特征在图像中的稀疏性决定了特征匹配只能得到稀疏的视差场，要获得密集的视差场必须通过使用插值的过程，插值过程通常较为复杂。

(2)特征的提取和定位的准确与否直接影响特征匹配结果的精确度。

(3)由于其应用场合的局限性，特征匹配往往适用于具有特征信息显着的环境中，在缺少显着主导特征环境中该方法有很大困难。

总之，特征匹配基元包含了算法编程上的灵活性以及令人满意的统计特性。算法的许多约束条件均能清楚地应用于数据结构，而数据结构的规则性使得特征匹配非常适用于硬件设计。例如，基于线段的特征匹配算法将场景模型描绘成相互联结的边缘线段，而不是区域匹配中的平面模型，因此能很好地处理一些几何畸变问题，对对比度和明显的光照变化等相对稳定。特征匹配由于不直接依赖于灰度，计算量小，比基于区域的匹配算法速度快的多。且由于边缘特征往往出现在视差不连续的区域，特征匹配较易处理立体视觉匹配中的视差不连续问题。

‘叁’ 图像处理问题：模板匹配后，已经找到最佳匹配点，如何在图像中剔除与模板目标相似的子图像。

这个简单，你是肯定是用匹配算法做的，这样就会有最大匹配值，这个值就是你的最佳匹配点，然后小于这个值的你全部删除，不显示出来就可以了。

‘肆’ 图象匹配比值算法

自相关比值模板匹配算法

‘伍’ 求助：用matlab实现图像相关法模板匹配程序

免安装 matlab 6.5 绿色破解可移动板 下载地址
到目前为止（2008/09/21)为止 ，国内唯一绿色免安装版本的matlab绿色免安装版

主要优点是免安装的，装一次matlab非常耗时！这个版本是能够放在U盘里的，即插即用，现在的U盘一般都在1G左右，512M的U盘也够放下这个移动版的matlab了。

版本：6.5 因为6.5运行速度比7.0的快，且小!

‘陆’ MATLAB模板匹配语法怎么用

MATLAB在一个图像区域中，物体检测的一种最基本的方法是通过模板匹配来进行。在匹配过程中，所关注的物体（即模板）和图像区域中的所有的未知物体进行比较，如果模板和未知物体是匹配的，并且模板是足够精确的，则未知物体被标示为模板物体。
匹配步骤：
1、先处理模板，把模板转化成一个（800，600）的二值图像，再做一个匹配图像（图像中包含五个物体，其中有两个与模板图像一个图形，其他三个图形任意且要与模板图像有明显的差别）；并转化为一个（800，600）的二值图像；
2、对图像进行傅立叶变换，分别对模板图像和匹配图像进行二维傅立叶变换。
3、计算模板图像与目标图像的相关性，方法是先将匹配图像旋转180度，然后基于快速傅里叶变换的卷积计算技术进行计算。（如果将卷积中心旋转180度，则卷积计算和相关计算是等价的。）
4、观察生成的频谱图像中的五个谱峰，找出其中的两个最高谱峰的位置。（最高的两个谱峰的位置就是与模板物体匹配。）

‘柒’ 使用OpenCV进行模板匹配（原图-模板图）

匹配算法有很多，比如最简单的对比原图和模板图的像素值。
但是这种方法稍微有一点旋转和光照变化结果就会很差。

为了改进这个，有了SAD算法。
然后SAD相似的SSD。
再然后是计算区域互相关性的NCC算法。
以上三种算法中，SAD算法最简单，因此当模板大小确定后，SAD算法的速度最快。NCC算法与SAD算法相比要复杂得多。

至于算法的过程，这三个算法都是很好理解的算法，我觉得还是自学比较好。

‘捌’ 人体行为识别有哪些算法

人体行为识别前已有的方法主要分为三大类：基于模板的方法，基于概率统计的方法和基于语义的方法。
模板匹配是一种较早用在人体运动识别上的方法,将运动图像序列转化为一个或一组静态的模板，通过将待识别样本的模板与已知的模板进行匹配获得识别结果。在行为识别中，基于模板匹配的算法可以分为帧对帧匹配方法和融合匹配方法。主要方法有：运动能量图像（MEI）和运动历史图像（MHI），基于轮廓的平均运动形状（MMS）和基于运动前景的平均运动能量（AME）等。
概率统计方法进行运动识别是把运动的每一种静态姿势定义为一个状态或者一个状态的集合，通过网络的方式将这些状态连接起来，状态和状态之间的切换采用概率来描述。主要有隐马尔科夫模型HMM， 最大熵马尔科夫模型（MEMM），条件随机场（CRF）等。

‘玖’ opencv 中自带的模板匹配算法，不能显示结果。

1-18.jpg

文件名有没有问题？ 。通常最好不要用含有中文和这些特殊符号的文件名吧，先改一下试试

而且，上面提示说是一个断言错误发生了。
触发这个断言的原因是() 里的那个条件不满足，因此断言错误，断言在debug版本中才有效，要不你试试编译release版本吧。

‘拾’ 求matlab 车牌识别 用模板匹配法 能txt文本输出的

邮箱在哪里 已发