在目标检测过程中，常用的方法就是设置一个模板，以滑动窗口的形式遍历整幅源图像（待检测的图像）；每次滑动都会产生一个和模板等大小的ROI图像，基于某种度量方式，计算模板与当前ROI图像的相似性度量值。这样遍历完整幅图像后就会形成一个图像，找出最大值对应的位置（x,y），它就是我们要寻找的目标的位置。
上面是模板匹配大致的步骤，当源图像很大，遍历完整幅图像很耗时，故提出了基于金字塔的模板匹配方法，下面是该方法涉及到几点：
(1) 设置金字塔层数nLevels，创建源图像和模板图像对应的nLevels层金字塔图像；
(2) 创建每层金字塔图像时，涉及到降采样(除以2)，降采样后会出现锯齿，需要采用平滑滤波器进行处理；高斯平滑滤波器效果好但耗时，可以直接采用小模板的均值滤波器；
(3) 计算模板与ROI图像的相似性值时，需要选择相似性度量准则；相似性度量准则有SAD(绝对值总和),SSD(平方差总和)和NCC(归一化相关系数)，NCC的计算最耗时但效果最好，能很好的适应光照变化。
理解了大致的流程和涉及到的操作后，可以直接写代码，金字塔匹配算法如下：
1 function [r,c,nccImg] = pyramidMatch(img, template, nLevels) 2 % ------------------------------------------------------------------------- 3 % 采用金字塔匹配算法进行模板匹配 4 % 5 % 过程：(1)为待匹配的图像和模板图像创建nLevels层金字塔图像 6 % (2)从金字塔最高层开始进行匹配，最高层的要完全扫描匹配，得到的最佳匹配位置 7 % 后向下层传递（乘以2）；根据传递的位置，在5*5的窗口范围内进行扫描匹配，如此这样 8 % 直到最低层。 9 % (3)匹配时采用的相似性度量为归一化相关系数 10 % (4)创建金字塔时进行了降采样（除2），然后用2*2的平滑滤波器进行了处理 11 % 12 % img-- 源图像（这里假设为灰度图） 13 % template-- 模板图像（假设为灰度图） 14 % nLevels-- 金字塔层数 15 % @r,c-- 源图像中最匹配的位置 16 % @nccImg-- 进行金字塔匹配时每层对应的归一化相关系数图像 17 % 18 % Author: L.L.He 19 % Time: 26/7/2014 20 %%------------------------------------------------------------------------- 21 imshow(img); 22 hold on; 23 [t_r,t_c] = size(template); 24 nccImg = cell(nLevels, 1); 25 % 这里计算待匹配图像和模板的图像金字塔 26 nStep = 2; %5*5 27 srcPrad = pyramid(img, nLevels); 28 temPrad = pyramid(template, nLevels); 29 [r,c,nccImg{nLevels}] = matchTemplate(srcPrad{nLevels}, temPrad{nLevels}); 30 for i=nLevels-1:-1:1 31 r_start = 2*r - floor((size(temPrad{i},1)-1)/2) - nStep; 32 r_end = r_start+2*nStep+1; 33 c_start = 2*c - floor((size(temPrad{i},2)-1)/2) - nStep; 34 c_end = c_start++2*nStep+1; 35 [r,c,nccImg{i}] = matchTemplate(srcPrad{i}, temPrad{i},... 36 r_start, r_end, c_start, c_end); 37 end 38 c_r = round(t_r/2); 39 c_c = round(t_c/2); 40 rectangle('Position',[c-c_c+1,r-c_r+1,t_c,t_r], 'edgecolor', 'r'); 41 end 42 % ------------------------------------------------------------------------- 43 44 % ========================================================================= 45 % 模板匹配算法 46 function [objr, objc, ncc_Img] = matchTemplate(img, template, r_start, ... 47 r_end, c_start, c_end) 48 [src_r,src_c] = size(img); 49 [t_r,t_c] = size(template); 50 if nargin == 2 51 r_start = 1; 52 r_end = src_r-t_r+1; 53 c_start = 1; 54 c_end = src_c-t_c+1; 55 end 56 % 这里先计算模板图像的归一化图像 57 norm_Img = normalize(template); 58 ncc_Img = zeros(r_end-r_start+1, c_end-c_start+1); 59 c_r = round(t_r/2); 60 c_c = round(t_c/2); 61 for r = r_start:r_end 62 for c = c_start:c_end 63 currPatch = img(r:r+t_r-1,c:c+t_c-1); 64 currPatch = normalize(currPatch); 65 ncc_Img(r+c_r-1,c+c_c-1) = NCC(norm_Img, currPatch); 66 end 67 end 68 [val_1,pos] = max(ncc_Img); 69 [val_2,objc] = max(val_1); 70 objr= pos(find(val_1==val_2)); 71 end 72 % ========================================================================= 73 74 % ========================================================================= 75 % 计算两幅图像的归一化相关系数（一种相似性度量），其绝对值越大表示越相似 76 function ncc = NCC(img_1, img_2, isNorm) 77 if ~exist('isNorm','var') 78 isNorm = 1; 79 end 80 % 判断参数是否是归一化后的图像 81 if ~isNorm 82 img_1 = normalize(img_1); 83 img_2 = normalize(img_2); 84 end 85 ncc = sum(sum(img_1.*img_2)) ./ size(img_1(:),1); 86 end 87 % ========================================================================= 88 89 % ========================================================================= 90 % 图像归一化 91 function norm_Img = normalize(img) 92 if size(img, 3) ~= 1 93 img = rgb2gray(img); 94 end 95 norm_Img = zeros(size(img)); 96 mu = mean(img(:)); 97 st = max(std(double(img(:))), eps); 98 norm_Img = bsxfun(@minus, img, mu); 99 norm_Img = bsxfun(@rdivide, norm_Img, st); 100 end 101 % ========================================================================= 102 103 % ========================================================================= 104 % 计算图像的金字塔，层数由nLevels参数指定,返回一个结构体，其中包含nLevels张图像 105 function pyImg = pyramid(img, nLevels) 106 % 创建金字塔中的每一层图像 107 pyImg = cell(nLevels, 1); 108 pyImg{1} = img; 109 for i=2:nLevels 110 pyImg{i} = downSample(pyImg{i-1}); 111 end 112 end 113 % ========================================================================= 114 115 % ========================================================================= 116 % 对图像进行降采样(2*2)并平滑处理 117 function d_img = downSample(img) 118 % 如果原图像的行列是基数则补齐 119 if mod(size(img,1), 2) ~= 0 120 img = [img(1,:); img]; 121 end 122 if mod(size(img,2), 2) ~= 0 123 img = [img(:,1), img]; 124 end 125 [r,c] = size(img); 126 d_img = zeros(r/2, c/2); 127 for i=1:2:r 128 for j=1:2:c 129 x = (i+1)/2; 130 y = (j+1)/2; 131 d_img(x,y) = sum(sum(img(i:i+1,j:j+1)))/4; 132 end 133 end 134 end
测试代码如下：
1 src = rgb2gray(imread('src.jpg')); 2 template = rgb2gray(imread('template.jpg')); 3 [x,y,ncc_Img] = pyramidMatch(src, template, 4);
左图为源图像，中间图为模板图像，右边图为效果图