基于OpenCV的多角度多尺度模板匹配算法：从原理到工程实践

简介：模板匹配是计算机视觉中的基础技术，用于在图像中定位与预设模板相似的区域。其核心原理是通过滑动窗口计算相似度，但传统方法对目标的旋转和尺度变化敏感。为解决这一问题，多角度多尺度匹配算法应运而生，它通过构建模板金字塔和搜索图像金字塔，在离散的角度和尺度空间中进行穷举搜索，显著提升了算法的鲁棒性。该技术的工程价值在于平衡了精度与效率，适用于对实时性有要求的场景。在工业质检领域，零件常以任意角度出现在传送带上；在机器人视觉导航中，路标会因视角变化呈现不同尺度。本文介绍的LZC模板匹配算法，正是基于OpenCV实现的一种增强方案，它通过边缘特征提取和金字塔结构优化，有效解决了传统方法在复杂场景下的局限性，为自动化检测提供了可靠的视觉‘眼睛’。

1. 项目概述：从“找茬”到工业质检，一个更聪明的“眼睛”

在图像处理和计算机视觉的世界里，“找东西”是一个永恒的基础课题。无论是让机器人从一堆零件里精准抓取目标，还是在监控画面中锁定特定车辆，亦或是在生产线上快速检测产品表面是否有瑕疵，其核心都离不开一个关键步骤：模板匹配。简单来说，就是在一张大图（我们称之为“搜索图像”）里，找到与预先准备好的一张小图（“模板图像”）最相似的位置。

传统的模板匹配方法，比如OpenCV里自带的cv::matchTemplate，大家应该都用过。它速度快，实现简单，但局限性也相当明显：模板和待搜索目标必须尺度一致、角度一致、光照条件接近。一旦目标发生了旋转、缩放，或者因为视角变化产生了形变，传统方法就很容易“抓瞎”，匹配得分一落千丈，导致漏检或误检。这就像你拿着身份证的正面标准照，去人山人海里找一个侧着脸或者离你很远的人，成功率可想而知。

所以，当我们需要在更复杂的现实场景中稳定、准确地“找东西”时，一个多角度、多尺度的通用模板匹配算法就成了刚需。这就是“LZC模板匹配”算法要解决的核心问题。它不是一个学术界遥不可及的复杂模型，而是一个立足于工程实践，旨在提升OpenCV现有模板匹配鲁棒性的增强方案。我把它理解为给OpenCV的“眼睛”配上了一副“智能变焦和旋转稳定器”。

这个算法特别适合那些对实时性有一定要求，但又无法保证目标以固定姿态出现的场景。比如，在自动化产线上，零件可能以任意角度放置在传送带上；在移动机器人视觉导航中，路标可能因为机器人位姿变化而呈现不同尺度；甚至在一些简单的游戏辅助或UI自动化测试中，需要应对窗口缩放和控件旋转。接下来，我将拆解如何用C++和OpenCV，一步步打造这样一个更聪明的“眼睛”。

2. 核心思路拆解：如何让模板“动”起来

实现多角度多尺度匹配，最直接的思路就是“穷举”：既然不知道目标旋转了多少度、缩放了多少倍，那我就把各种可能都试一遍。但这会带来两个核心挑战：计算量爆炸和如何定义“相似度”。LZC算法的设计就是围绕解决这两个挑战展开的。

2.1 算法流程总览

整个算法的流程可以概括为一个“训练”加一个“搜索”的循环：

1. 训练阶段（离线/一次性的）：对输入的原始模板图像，预先生成一个“模板金字塔”。这个金字塔不是简单的图像金字塔，而是包含了该模板在多个离散旋转角度和缩放尺度下的所有可能形态。同时，为金字塔中的每一层（即每一个特定角度和尺度的模板）提取一种鲁棒的特征描述子，并存储起来。
2. 搜索阶段（在线的）：对于每一帧待搜索的图像，也构建其图像金字塔（通常是尺度下采样）。然后，在每一个图像金字塔层级上，使用训练阶段生成的所有模板变体进行滑动窗口匹配。匹配时，不是直接比较像素，而是比较之前提取的特征描述子，计算一个相似度得分。最后，在所有尺度、所有角度、所有位置上，找到得分最高的位置，即为最佳匹配。

这个流程听起来简单，但每一步都有大量细节和优化空间。关键在于，我们如何高效地生成模板变体（角度&尺度），以及采用何种特征来进行快速且鲁棒的相似度计算。

2.2 为何选择“金字塔”结构？

“图像金字塔”是解决尺度问题的经典且高效的方法。其核心思想是通过不断下采样（如每次缩小为原来的1/2），生成一系列分辨率逐渐降低的图像。在高金字塔层级（小图）上，我们可以快速进行粗定位，因为搜索范围小；在低金字塔层级（大图）上，我们可以进行精确定位，因为像素信息丰富。

在LZC匹配中，我们实际上构建了两个金字塔：

• 模板金字塔：维度更多。它包含了(原始模板) × (N个尺度) × (M个角度)个模板图像。例如，尺度集合为[0.8, 0.9, 1.0, 1.1, 1.2]，角度集合为[-30°， -15°， 0°， 15°， 30°]，那么对于一个原始模板，就会生成5×5=25个不同的模板变体，构成模板金字塔。
• 搜索图像金字塔：通常只进行尺度下采样，用于加速搜索过程。在粗尺度上找到候选区域后，可以映射到精细尺度上进行验证或更精确的定位。

这种结构的优势在于，它将连续的角度和尺度空间离散化，将无限搜索问题转化为有限集合内的比较问题。只要离散化的步长设置合理（角度步长如5°或10°，尺度步长如0.9， 1.0， 1.1），就能以可接受的计算成本，覆盖较大的变化范围。

注意：尺度和角度的采样步长是精度和速度的权衡关键。步长越小，覆盖越连续，精度可能更高，但模板金字塔规模呈平方增长，计算量剧增。通常需要根据实际应用场景中目标可能的变化范围来设定。例如，工业零件在传送带上的旋转通常不超过±180°，我们可以以30°为步长采样；而尺度变化可能仅在±20%以内。

2.3 特征选择：从像素到“签名”

直接使用原始像素进行多角度多尺度匹配是灾难性的。旋转和缩放会严重改变像素的邻域关系。因此，我们必须使用对几何变化具有一定不变性或鲁棒性的特征。在LZC算法的实践中，以下几种特征是常见的选择：

1. 边缘特征（如Canny边缘）：物体的边缘轮廓对光照变化不敏感，且对尺度和旋转变化具有一定的稳定性（虽然轮廓会缩放和旋转，但拓扑结构不变）。将模板和搜索图都转换为二值边缘图后进行匹配，是一种经典方法。OpenCV中的cv::Canny可以方便地提取边缘。
2. 方向梯度直方图（HOG）特征：HOG通过计算和统计图像局部区域的梯度方向直方图来构成特征，对几何和光学形变都有良好的不变性。虽然计算量相对边缘更大，但描述能力更强。OpenCV提供了cv::HOGDescriptor用于计算HOG特征。
3. 局部二值模式（LBP）特征：LBP对纹理的描述很好，并且对单调的灰度变化具有不变性。计算速度很快。OpenCV的cv::LBP算法可以用于提取。
4. 特征点+描述子（如ORB）：这是一种更高级的思路。在模板上提取ORB等特征点和描述子，然后在搜索图像上也提取，再进行特征匹配（如使用FLANN或暴力匹配）。这种方法对视角变化、旋转、缩放都有很强的鲁棒性，但更适合于具有丰富纹理的模板，并且当目标被遮挡或纹理单一时会失效。

在LZC算法的具体实现中，为了平衡速度和鲁棒性，边缘特征往往是首选的起点。它的计算极其快速，二值化后的数据也便于进行快速的相似度度量（如利用二值图像的相关性计算）。我们可以将边缘图像作为我们的“特征图”进行后续的匹配操作。

3. 核心模块实现详解

有了理论框架，我们开始用C++和OpenCV将其实现。我将代码结构分为几个核心类，方便理解和复用。

3.1 数据结构定义：TemplatePyramid

首先，我们需要一个数据结构来管理训练阶段生成的所有模板变体。

// TemplateStructure.h #ifndef TEMPLATE_STRUCTURE_H #define TEMPLATE_STRUCTURE_H #include <opencv2/opencv.hpp> #include <vector> struct SingleTemplate { cv::Mat image; // 该角度和尺度下的模板图像（通常是特征图，如边缘图） cv::Mat mask; // 可选的掩膜，用于指定模板中哪些区域参与匹配 double angle; // 旋转角度（度） double scale; // 缩放系数 cv::Point2f center; // 模板中心点（在原始坐标系中），用于后续结果映射 // 可以扩展存储其他预计算的特征，如HOG描述子向量 }; class TemplatePyramid { public: TemplatePyramid() = default; // 根据原始模板、角度列表、尺度列表，生成金字塔 bool build(const cv::Mat& srcTemplate, const std::vector<double>& scales, const std::vector<double>& angles, int cannyLowThresh = 50, int cannyHighThresh = 150); // 边缘检测参数 // 获取金字塔中所有模板 const std::vector<SingleTemplate>& getAllTemplates() const { return pyramid_; } // 根据索引获取特定模板 const SingleTemplate& getTemplate(size_t index) const { return pyramid_.at(index); } size_t size() const { return pyramid_.size(); } private: std::vector<SingleTemplate> pyramid_; cv::Size originalSize_; // 原始模板尺寸 // 内部方法：对图像进行旋转和缩放，并提取特征（这里以边缘为例） cv::Mat preprocessTemplate(const cv::Mat& src, double angle, double scale, int cannyLowThresh, int cannyHighThresh, cv::Point2f& outputCenter); }; #endif // TEMPLATE_STRUCTURE_H

build函数是这个类的核心。其内部逻辑如下：

1. 遍历传入的scales和angles向量，进行两层循环。
2. 对于每一对(scale, angle)，调用preprocessTemplate函数。
3. preprocessTemplate函数：
   • 根据scale计算新的尺寸newSize = originalSize * scale。
   • 使用cv::resize进行缩放。
   • 根据angle，计算旋转矩阵（使用cv::getRotationMatrix2D，围绕图像中心旋转），并用cv::warpAffine进行旋转。这里一个关键细节是，旋转后图像尺寸会变大，需要计算新的边界框，或者统一放置在一个足够大的画布上，以确保信息不丢失。
   • 对旋转缩放后的图像，使用cv::Canny提取边缘，得到二值特征图。
   • 记录下此时模板中心点相对于原始图像坐标系的变换后位置，存入SingleTemplate的center字段。这个点至关重要，它是在搜索图像中找到匹配位置后，将匹配框映射回原始视角的关键。

3.2 匹配引擎：MultiScaleAngleMatcher

这个类负责在搜索图像中，使用构建好的模板金字塔进行滑动窗口匹配。

// MatcherEngine.h #ifndef MATCHER_ENGINE_H #define MATCHER_ENGINE_H #include "TemplateStructure.h" #include <opencv2/opencv.hpp> struct MatchResult { cv::Rect location; // 在搜索图像上的匹配矩形框 double confidence; // 匹配置信度 [0, 1] double matchedAngle; // 匹配到的角度 double matchedScale; // 匹配到的尺度 int pyramidLevel; // 在搜索图像金字塔的哪一层找到的 }; class MultiScaleAngleMatcher { public: MultiScaleAngleMatcher(const TemplatePyramid& tmplPyramid); // 主匹配函数 MatchResult match(const cv::Mat& searchImage, double scaleStep = 0.9, // 搜索图像金字塔的尺度步长 int maxPyramidLevels = 4, // 最大金字塔层数 cv::TemplateMatchModes method = cv::TM_CCOEFF_NORMED); // 批量匹配，返回前N个最佳结果 std::vector<MatchResult> matchMultiple(const cv::Mat& searchImage, int topK, double scaleStep = 0.9, int maxPyramidLevels = 4, cv::TemplateMatchModes method = cv::TM_CCOEFF_NORMED, double minScore = 0.7); // 最低置信度阈值 private: const TemplatePyramid& tmplPyramid_; // 引用已构建的模板金字塔 // 在单层搜索图像上，匹配单个模板 double matchSingleTemplateOnLevel(const cv::Mat& searchLevel, const SingleTemplate& tmpl, cv::Point& maxLoc, cv::TemplateMatchModes method); // 非极大值抑制，用于过滤重叠的匹配结果 std::vector<MatchResult> nonMaximumSuppression(const std::vector<MatchResult>& candidates, double overlapThreshold = 0.5); }; #endif // MATCHER_ENGINE_H

match函数的实现是算法的核心搜索循环：

1. 构建搜索图像金字塔：根据scaleStep和maxPyramidLevels，对输入的searchImage进行逐层下采样，得到一系列不同尺度的搜索图。最顶层（level 0）是原图，level 1是原图*scaleStep， 以此类推。
2. 多层循环匹配：
   • 外层循环：遍历搜索图像金字塔的每一层searchLevel。
   • 内层循环：遍历模板金字塔tmplPyramid_中的每一个SingleTemplate。
   • 核心调用：对于每一对(searchLevel, tmpl)，使用OpenCV的cv::matchTemplate函数进行计算。这里有一个重要技巧：我们的tmpl.image已经是边缘特征图，而searchLevel也需要预先转换为边缘图。但为了效率，我们可以在每一层searchLevel上只做一次Canny边缘检测，然后与所有模板进行匹配。匹配方法method通常选择归一化的相关系数法cv::TM_CCOEFF_NORMED，它对光照变化有一定鲁棒性，且输出得分在[-1,1]之间，1表示完美匹配。
3. 结果聚合与映射：
   • 在每一次cv::matchTemplate后，会得到一个响应图（response map）。通过cv::minMaxLoc找到响应图中的最大值及其位置maxLoc，这个位置就是当前模板在当前搜索层上的最佳匹配位置。
   • 由于搜索图像是下采样的，找到的maxLoc坐标需要根据当前金字塔层级映射回原始搜索图像的坐标系。同时，匹配到的矩形框尺寸也需要根据当前层级的缩放系数进行放大。
   • 更重要的是，我们匹配到的矩形框是基于旋转缩放后的模板的。为了在原始搜索图像上画出一个方向正确的矩形，我们需要利用模板的angle和center信息，对矩形进行逆向的旋转和平移变换。这涉及到一些基本的几何计算。
4. 选择最佳匹配：在所有层级、所有模板的匹配结果中，保留置信度confidence最高的一个，将其角度、尺度、位置信息封装成MatchResult返回。

matchMultiple函数逻辑类似，但会维护一个候选结果列表，最后通过非极大值抑制（NMS）来剔除那些位置高度重叠但置信度较低的结果，返回前topK个不同的匹配目标。这在有多实例的场景下非常有用。

3.3 几何变换与结果可视化

这是最容易出错的部分。当我们得到一个在旋转缩放后的模板坐标系下的匹配点maxLoc时，需要将其转换回原始搜索图像中一个带角度的矩形。

// GeometryUtils.cpp (部分关键代码) #include <opencv2/opencv.hpp> #include <cmath> /** * @brief 根据匹配结果，计算原始搜索图像中带旋转的矩形 * @param matchLoc 在搜索图像某金字塔层上的匹配点（左上角） * @param tmplSize 匹配所用模板的尺寸 * @param matchedScale 匹配到的尺度（搜索图金字塔层的尺度倒数） * @param matchedAngle 匹配到的角度 * @param tmplCenter 模板中心在原始模板坐标系中的位置（经过预处理的） * @return 在原始搜索图像坐标系中的旋转矩形 */ cv::RotatedRect calculateResultRoi(const cv::Point& matchLoc, const cv::Size& tmplSize, double matchedScale, double matchedAngle, const cv::Point2f& tmplCenter) { // 1. 将匹配点坐标映射回原始搜索图像尺度 cv::Point2f locInOriginal(matchLoc.x / matchedScale, matchLoc.y / matchedScale); // 2. 模板的原始中心点（在模板图像坐标系中）经过匹配位置偏移后，得到在搜索图像中的对应中心点 // 注意：matchLoc是模板左上角在搜索图中的位置。 // 模板中心在搜索图中的位置 = matchLoc + tmplCenter cv::Point2f templateCenterInSearch(matchLoc.x + tmplCenter.x, matchLoc.y + tmplCenter.y); cv::Point2f centerInOriginal(templateCenterInSearch.x / matchedScale, templateCenterInSearch.y / matchedScale); // 3. 计算矩形在原始图像中的尺寸（模板尺寸 * 匹配到的尺度？这里需要仔细） // 实际上，模板金字塔中的模板已经是经过缩放和旋转的。 // matchedScale 是搜索图金字塔层的缩放系数，用于坐标映射。 // 矩形的大小就是当前模板tmplSize映射回原始搜索图的大小：tmplSize / matchedScale cv::Size2f sizeInOriginal(static_cast<float>(tmplSize.width) / matchedScale, static_cast<float>(tmplSize.height) / matchedScale); // 4. 角度：匹配到的角度就是矩形的旋转角度。注意OpenCV中RotatedRect的角度定义。 // 通常，cv::warpAffine正向旋转图像，那么逆向旋转矩形就应该用负角度。 // 需要与预处理阶段旋转模板的方式保持一致。 double rectAngle = -matchedAngle; // 假设预处理是正向旋转模板 return cv::RotatedRect(centerInOriginal, sizeInOriginal, rectAngle); }

可视化时，使用cv::RotatedRect的points方法获取四个顶点，然后用cv::line或cv::polylines画出来。

4. 性能优化与工程实践要点

一个可用的算法和一个高效的算法之间，隔着巨大的优化空间。以下是几个关键的优化方向和实操心得。

4.1 加速策略：让搜索快起来

1. 搜索空间剪枝：

   • 尺度优先粗定位：先在搜索图像金字塔的顶层（最小图）进行全角度匹配。因为图像小，计算极快。得到粗略的位置和尺度后，在下层金字塔中，可以只在一个较小的感兴趣区域（ROI）内进行精细搜索和角度微调，而不是全图搜索。
   • 角度连续性假设：在视频流或连续帧中，目标的角度通常不会发生突变。可以利用前一帧匹配到的角度，在当前帧只搜索该角度附近的一个较小范围（如±10°），而不是全角度范围。

2. 利用图像金字塔的级联拒绝：在高层金字塔（低分辨率）匹配时，设定一个较高的置信度阈值。只有那些在粗尺度上得分就很高的位置，才有资格进入下一层精细尺度的搜索。这样可以过滤掉大量的错误区域。

3. 并行计算：这是最直接的加速手段。模板金字塔中的各个模板之间是相互独立的，可以完美并行。使用C++11的std::async或OpenMP指令，可以轻松地将内层循环（遍历模板）并行化。

   #pragma omp parallel for collapse(2) // 两层循环并行 for (int l = 0; l < searchPyramid.size(); ++l) { for (int t = 0; t < tmplPyramid_.size(); ++t) { // ... 匹配计算，将结果写入线程安全的容器 } }

   注意：并行化时，对共享数据（如结果容器）的写入需要加锁或使用原子操作，避免竞争条件。

4. 特征计算优化：边缘检测（Canny）是相对耗时的操作。可以复用特征图：搜索图像每层的边缘图只需计算一次；模板的边缘图在训练阶段就已计算好。

4.2 参数调优指南

算法有一系列参数，需要根据实际场景调整：

调优流程建议：

1. 收集代表性数据：包含各种角度、尺度、光照、背景干扰的目标图像。
2. 固定其他参数，单参数扫描：例如，先固定一个较大的角度步长（如30°）和尺度步长，调整Canny阈值，确保边缘提取良好。
3. 评估指标：不仅要看匹配成功率，还要看单帧处理耗时。在准确率和速度之间找到业务可接受的平衡点。
4. 录制日志：将每次匹配的最佳得分、角度、尺度输出到日志文件，分析在哪些情况下算法会失效。

4.3 集成与部署注意事项

1. 内存管理：模板金字塔会占用可观的内存，尤其是角度和尺度采样很密的时候。对于嵌入式或内存受限的平台，需要权衡。可以考虑动态加载，或使用更紧凑的特征表示（如将二值边缘图转换为轮廓点集存储）。
2. 实时性保障：在视频处理中，如果单帧处理时间超过帧间隔（如33ms for 30fps），会导致延迟累积。必须进行严格的性能剖析（Profiling），使用工具如gprof或Valgrind，找出热点函数。通常，cv::matchTemplate和cv::Canny是主要耗时部分。
3. 与OpenCV版本兼容：确保使用的OpenCV函数在不同版本间API一致。例如，某些版本中cv::RotatedRect的angle定义可能不同。
4. 错误处理：增加健壮性检查。例如，输入图像是否为空、模板金字塔是否已构建、匹配得分是否有效（非NaN）等。

5. 常见问题排查与实战技巧

在实际开发和调试中，你会遇到各种各样的问题。下面是我踩过的一些坑和解决方法。

5.1 匹配结果框位置或角度不准

• 症状：算法找到了目标，但画出来的矩形框要么没套住目标，要么角度歪了。
• 排查思路：
  1. 检查坐标变换链：这是最常见的原因。从模板中心点tmplCenter，到匹配点matchLoc，再到最终RotatedRect的中心和角度，每一步的坐标系变换（特别是缩放因子）都必须清晰无误。建议单独写一个测试函数，用一张纯色图和一个简单的矩形模板，进行0度、0缩放的匹配，看框是否能严丝合缝。然后逐步增加旋转和缩放，验证变换的正确性。
  2. 验证模板中心点：在preprocessTemplate函数中，旋转缩放后，模板图像的尺寸和内容中心可能发生了变化。确保tmplCenter计算的是内容区域的中心，而不是画布的中心（如果旋转后画布有留黑边）。有时需要先找到二值边缘图的最小外接矩形，以其中心作为有效内容的中心。
  3. 检查OpenCV的旋转方向：OpenCV中图像旋转的角度，与RotatedRect中角度的定义可能方向相反。记住一个原则：用同样的角度参数去旋转一个水平矩形，应该能得到和匹配模板一样的姿态。如果方向反了，在calculateResultRoi中对matchedAngle取负即可。

5.2 算法速度太慢，无法满足实时要求

• 症状：处理一帧图像需要几百毫秒甚至几秒。
• 排查与优化：
  1. 使用性能分析工具：这是第一步。不要靠猜。用std::chrono高精度时钟分别测量build模板金字塔、为搜索图构建金字塔、以及最内层匹配循环的时间。你会发现瓶颈所在。
  2. 减少金字塔层级和采样密度：这是最有效的办法。问自己：业务真的需要360度全角度搜索吗？尺度变化范围真的有那么大吗？通常，将角度步长从10°增加到15°，尺度数量从5个减少到3个，速度能提升数倍，而精度损失可能在接受范围内。
  3. 缩小搜索区域：如果目标在图像中的大致位置是已知的（比如总是在画面中央区域），就不要在全图搜索。先用一个检测器或上一帧的结果确定一个ROI，只在ROI内进行精细匹配。
  4. 启用编译优化：确保在Release模式下编译，并开启编译器优化选项（如GCC的-O2或-O3， MSVC的/O2）。
  5. 检查是否意外复制了大矩阵：在C++中，cv::Mat的赋值是浅拷贝。但如果你在函数参数中使用了cv::Mat的值传递，或者不小心调用了cv::Mat::clone()，会导致不必要的数据复制。尽量使用const cv::Mat&传递引用。

5.3 在复杂背景或低对比度下匹配失败

• 症状：目标明明在，但匹配得分很低，或者错误地匹配到了背景上类似的图案。
• 解决方案：
  1. 优化预处理：尝试在Canny边缘检测前，对图像进行预处理。例如：
     • 高斯模糊：cv::GaussianBlur可以平滑噪声，让边缘更干净。
     • 直方图均衡化：cv::equalizeHist可以增强对比度，特别是在光照不均的情况下。注意，它对全局进行操作，有时会过度增强噪声。可以考虑使用限制对比度的自适应直方图均衡化（CLAHE），效果更好。
     • 使用掩膜（Mask）：在构建模板时，可以提供一个掩膜，指定只有模板的特定区域（如目标主体）参与匹配。这能有效排除背景干扰。在cv::matchTemplate函数中，有些匹配方法是支持掩膜参数的。
  2. 尝试更强的特征：如果边缘特征太弱或太杂乱，可以考虑切换到HOG特征。HOG对形状的描述更全局化，抗噪声能力更强。虽然计算更慢，但匹配精度可能会显著提升。你可以实现一个“特征选择开关”，在初始化TemplatePyramid时决定使用边缘还是HOG。
  3. 后处理与融合：不要完全依赖单次匹配得分。可以结合其他线索，例如，匹配到的区域颜色直方图是否与模板相似？或者，在视频中，目标的位置和运动是否有连续性？可以引入简单的卡尔曼滤波进行轨迹预测，将预测位置作为先验，辅助匹配。

5.4 多目标检测时互相干扰

• 症状：当图像中存在多个相同或相似目标时，算法只返回一个，或者返回的框都集中在同一个目标上。
• 解决方案：
  1. 确保使用matchMultiple和NMS：这是基础。matchSingleTemplateOnLevel返回的响应图通常只有一个全局极值点。你需要遍历模板金字塔的所有层和所有模板，收集所有超过阈值的候选结果，然后用NMS来筛选。
  2. 调整NMS阈值：如果两个目标靠得很近，标准的NMS（基于IoU）可能会把其中一个抑制掉。可以适当降低overlapThreshold（比如从0.5降到0.3），或者使用更宽松的抑制准则（如只抑制得分低且重叠度非常高的框）。
  3. 分区域搜索：在一个目标被成功匹配并标记后，可以将该区域从搜索图像中“抹除”（例如，用背景色填充匹配框区域），然后在修改后的图像中继续搜索下一个目标。这种方法简单粗暴，但要注意“抹除”可能破坏邻近目标的边缘。

经过以上这些步骤，一个鲁棒、实用的多角度多尺度模板匹配算法就搭建起来了。它绝不是万能的，在极端光照、严重遮挡、非刚性形变的情况下仍然会失效。但对于许多结构化的工业视觉场景、辅助定位任务来说，它提供了一个在传统方法和深度学习之间很好的平衡点：不需要训练数据、可解释性强、速度可控，并且足够有效。

本文还有配套的精品资源，点击获取