[VIP专享]最邻近模板匹配法

最邻近模板匹配法

报告提交日期2013年6月27 报告批改日期2013年月 最邻近模板匹配法 一．实验内容： 在模式识别中一个最基本的方法，就是模板匹配法(template matching)，它基本上是一种统计识别方法。为了在图像中检测出已知形状的目标物，我们使用这个目标物的形状模板（或窗口）与图像匹配，在约定的某种准则下检测出目标物图像，通常称其为模板匹配法。它能检测出图像中上线条、曲线、图案等等。它的应用包括：目标模板与侦察图像相匹配；文字识别和语音识别等。 二. 实验条件 pc机一台，vs2008软件 三.实验原理 我们采用以下的算式来衡量模板T（m,n)与所覆盖的子图Sij（i,j)的关系，已知原始图像S(W,H)，如图所示： 利用以下公式衡量它们的相似性： 上述公式中第一项为子图的能量，第三项为模板的能量，都和模板匹配无关。第二项是模板和子图的互为相关，随（i,j）而改变。当模板和子图匹配时，该项由最大值。在将其归一化后，得到模板匹配的相关系数：

当模板和子图完全一样时，相关系数R(i,j) = 1。在被搜索图S中完成全部搜索后，找出R的最大值Rmax(im,jm)，其对应的子图Simjm即位匹配目标。显然，用这种公式做图像匹配计算量大、速度慢。我们可以使用另外一种算法来衡量T和Sij的误差，其公式为： 计算两个图像的向量误差，可以增加计算速度，根据不同的匹配方向选取一个误差阀值E0，当E(i,j)>E0时就停止该点的计算，继续下一点的计算。 最终的实验证明，被搜索的图像越大，匹配的速度越慢；模板越小，匹配的速度越快；阀值的大小对匹配速度影响大； 3、改进的模板匹配算法 将一次的模板匹配过程更改为两次匹配； 第一次匹配为粗略匹配。取模板的隔行隔列数据，即1/4的模板数据，在被搜索土上进行隔行隔列匹配，即在原图的1/4范围内匹配。由于数据量大幅减少，匹配速度显著提高。同时需要设计一个合理的误差阀值E0： E0 = e0 * (m + 1) / 2 * (n + 1) / 2 式中：e0为各点平均的最大误差，一般取40~50即可； m,n为模板的长宽； 第二次匹配是精确匹配。在第一次误差最小点（imin, jmin)的邻域内，即在对角点为（imin -1, jmin -1), (Imin + 1, jmin + 1)的矩形内，进行搜索匹配，得到最后结果。 四．实验内容 1. 流程图

基于模板匹配算法的数字识别讲解

中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 软件工程年级:2009 题目: 基于模板匹配算法的数字识别学生姓名: 李成学号:09065093指导教师姓名: 李波职称: 讲师 2013年5月

中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：2013年月日

摘要 (1) Abstract (1) 1 绪论 (2) 1.1 研究目的和意义 (2) 1.2 国内外研究现状 (2) 2 本文基本理论介绍 (3) 2.1 位图格式介绍 (3) 2.2 二值化 (3) 2.3 去噪 (3) 2.4 细化 (4) 2.5 提取骨架 (4) 3 图像的预处理 (5) 3.1 位图读取 (5) 3.2 二值化及去噪声 (5) 3.3 提取骨架 (6) 4 基于模板匹配的字符识别 (8) 4.1 样本训练 (8) 4.2 特征提取 (8) 4.3 模板匹配 (9) 4.4 加权特征模板匹配 (10) 4.5 实验流程与结果 (10) 5 结论 (16) 5.1 小结 (16) 5.2 不足 (16) 6 参考文献 (17)

基于模板匹配算法的数字识别 摘要 数字识别已经广泛的应用到日常生活中，典型的数字自动识别系统由图像采集、预处理、二值化、字符定位、字符分割和字符识别等几部分组成, 这些过程存在着紧密的联系。传统的模板匹配算法因为图像在预处理之后可能仍然存在较大的干扰，数字笔画粗细不均匀，有较大的噪声，识别效率不高。本文采的主要思想就是对字符进行分类，之后对字符进行细化，提取细化后字符的特征矢量，与模板的特征矢量进行加权匹配，误差最小的作为识别结果。本文在模板匹配法的基础上, 采用了特征值加权模板匹配法, 并且改进了匹配系数的求法。应用该法取得了满意的效果, 提高了识别率。 关键词：模板匹配；数字识别；特征值加权；字符识别； Template matching algorithm-based digital identification Abstract Digital identification has been widely applied to daily life, the typical digital automatic identification system by the image acquisition, pre-processing, binarization, character positioning, character segmentation and character recognition several parts, there is a close link these processes. Traditional template matching algorithm because the image may still exist after pre-greater interference, digital strokes uneven thickness, the noise, the identification efficiency is not high. Adopted herein main idea is to classify the character after character refinement, the characters feature vector extraction refinement, and the template feature vector is weighted matching, the minimum error as a recognition result. Template matching method based on feature weighted template matching method, and improve the matching coefficient method. The application of the method to obtain satisfactory results, to improve the recognition rate. Key words：Template matching; digital identification; characteristic value weighted; character recognition;

会员充值卡常规方案

翰林茶业茶友会员卡章程 总则 ＊＊翰林茶业＊＊地处愚公的家乡愚公路中段，茶楼整体装潢为仿明清制式古香古色环境优雅、清静，是成功人士体验茶道文化，品味健康休闲的高档茶楼，是商洽、朋友聚会的理想场所，内设茶点、饮料、茶艺表演、休闲娱乐、茗茶名砚。 一、会员卡类型： 1、＊＊翰林茶业茶友俱乐部银卡会员（银色） 2、＊＊翰林茶业茶友俱乐部金卡会员（金色） 二、会员卡功能： 1、持银卡在本茶楼消费，够茶、存茶、茶具、工艺品、雅间费、享受八八折待遇，（烟、饮料、小吃、除外） 2、持金卡在本茶楼消费，够茶、存茶、茶具、工艺品、雅间费、享受七五折待遇，（烟、饮料、小吃、除外） 3、持卡人可享受，会员特惠及茶楼发放的各类消费信息。 4、其他增值服务。 三、发放规定： 1、凡在本茶楼一次性存款500至3000元（含500元）以上者，在办理相关手续后，可获赠银卡一张。即可成为翰林茶业茶友俱乐部会员 2、凡在本茶楼一次性存款5000至10000元（含5000元）以上者，在办理相关手续后，可获赠金卡一张，或持会员银卡累计消费满5万元（含5万元）的持卡人可享受金卡会员的所有优惠政策，即可成为翰林茶业茶友俱乐部会员 3、挂失及补卡：会员卡遗失后，持卡人须在24小时内凭有效证件到总台挂失。因未及时挂失引起的责任由会员承担。办理挂失手续后，可立即办理补卡手续，但需交补卡费20元/张。原卡号内的累计消费金额和累计积分可转入新卡内。 4、补卡不得更改会员卡持卡人姓名和身份证号码。 四、办理手续： 1、填写申请登记表后，可凭相关手续到总台办理购卡手续。

2、规定一人一卡制，一人只能拥有一卡，并限与本人身份证配合使用。如若转让，必须持有办卡人的书面委托书及办卡人的身份证方可实施。 3、为保证和维护会员的利益，申请人必须真实地填写会员登记表，确认遵守《翰林茶业茶友会员卡章程》。 五、使用规则： 1、会员在消费时无论有无折扣优惠，请在付款时出示会员卡，以便计算累计消费。 2、持卡人资料若有变更，必须及时到总台办理变更手续，否则，引起的责任由持卡人承担。 六、会员的权利 1、会员必须于结帐前出示会员卡方可享受有关优惠。 2、会员凭卡在本茶楼消费结账，直接在卡中扣除此次消费款项，并且有权要求茶楼打印消费明细，以便查询。 3、定期专人回访和节日温情问候。 4、定期举办会员大抽奖活动（具体时间及奖项另行通知）。 5、不定期举办“会员联谊” 活动。 6、每逢会员的生日可获赠生日礼物一份（限金卡会员）。 7、可免费享受茶楼推出的新业务试用（限金卡会员）。 七、会员的义务 1、当卡上余额不足500元时必须立即充值，否则将不能享受会员的所有权利。（一次性充值不得低于500元） 2、当会员消费出现余额不足时，必须用现金缴纳差额部分，然后立即办理充值手续。 3、会员必须爱护会员卡，如发现损坏，茶楼有权要求会员进行赔偿。若一经发现有仿制伪造者，将上报公安机关，直至追究其刑事责任。 4、会员应自觉遵守和维护本章程。 八、附则： 1、本茶楼有权在任何时候更改任何规定或终止活动。 2、凡违反本章程，误述有关情况，一经发现，我们将予以取消其会员资格。 3、本茶楼有权废除诠释本会员卡章程中的条款及相关程序，享有对任何情况的决定权和解释权。

第6章-k近邻算法--机器学习与应用第二版

第6章k 近邻算法 k 近邻算法（kNN 算法）由Thomas 等人在1967年提出[1]。它基于以下朴素思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k 个样本，统计这些样本的类别进行投票，票数最多的那个类就是分类结果。因为直接比较待预测样本和训练样本的距离，kNN 算法也被称为基于实例的算法。 6.1基本概念 确定样本所属类别的一种最简单的方法是直接比较它和所有训练样本的相似度，然后将其归类为最相似的样本所属的那个类，这是一种模板匹配的思想。k 近邻算法采用了这种思路，下图6.1是使用k 近邻思想进行分类的一个例子： 图6.1k 近邻分类示意图 在上图中有红色和绿色两类样本。对于待分类样本即图中的黑色点，我们寻找离该样本最近的一部分训练样本，在图中是以这个矩形样本为圆心的某一圆范围内的所有样本。然后统计这些样本所属的类别，在这里红色点有12个，绿色有2个，因此把这个样本判定为红色这一类。上面的例子是二分类的情况，我们可以推广到多类，k 近邻算法天然支持多类分类问题。 6.2预测算法 k 近邻算法没有要求解的模型参数，因此没有训练过程，参数k 由人工指定。它在预测时才会计算待预测样本与训练样本的距离。 对于分类问题，给定l 个训练样本(),i i y x ，其中i x 为维特征向量，i y 为标签值，设定

参数k ，假设类型数为c ，待分类样本的特征向量为x 。预测算法的流程为： 1.在训练样本集中找出离x 最近的k 个样本，假设这些样本的集合为N 。 2.统计集合N 中每一类样本的个数,1,...,i C i c =。 3.最终的分类结果为arg max i i C 。 在这里arg max i i C 表示最大的i C 值对应的那个类i 。如果1k =，k 近邻算法退化成最近邻算法。 k 近邻算法实现简单，缺点是当训练样本数大、特征向量维数很高时计算复杂度高。因为每次预测时要计算待预测样本和每一个训练样本的距离，而且要对距离进行排序找到最近的k 个样本。我们可以使用高效的部分排序算法，只找出最小的k 个数；另外一种加速手段是k-d 树实现快速的近邻样本查找。 一个需要解决的问题是参数k 的取值。它需要根据问题和数据的特点来确定。在实现时可以考虑样本的权重，即每个样本有不同的投票权重，这称方法称为为带权重的k 近邻算法。另外还其他改进措施，如模糊k 近邻算法[2]。 kNN 算法也可以用于回归问题。假设离测试样本最近的k 个训练样本的标签值为i y ，则对样本的回归预测输出值为： 1/k i i y y k =??= ??? ∑即所有邻居的标签均值，在这里最近的k 个邻居的贡献被认为是相等的。同样的也可以采用带权重的方案。带样本权重的回归预测函数为： 1/k i i i y w y k =??= ??? ∑其中i w 为第i 个样本的权重。权重值可以人工设定，或者用其他方法来确定，例如设置为与距离成反比。 6.3距离定义 kNN 算法的实现依赖于样本之间的距离值，因此需要定义距离的计算方式。本节介绍几种常用的距离定义，它们适用于不同特点的数据。 两个向量之间的距离为() ,i j d x x ，这是一个将两个维数相同的向量映射为一个实数的函数。距离函数必须满足以下条件，第一个条件是三角不等式：()()() ,,,i k k j i j d d d +≥x x x x x x 这与几何中的三角不等式吻合。第二个条件是非负性，即距离不能是一个负数： (),0 i j d ≥x x 第三个条件是对称性，即A 到B 的距离和B 到A 的距离必须相等：

模板匹配MATLAB实现及算法优化

模板匹配MATLAB实现及算法优化

一、引言 现代社会已进入信息时代，随着计算机技术、通信技术和数学的发展，图像信息处理能力和水平也不断提高，相应的也得到和更多关注、研究和更加广泛的应用。图像匹配是图像处理的一项关键技术，可广泛用于目标识别与跟踪、立体视觉、变化检测、车场车牌识别、人脸识别、机器人导航、测绘、等领域，已成为一门新兴的分支学科。由于拍摄时间、拍摄角度、自然环境的变化、多种传感器的使用和传感器本身的缺陷，使拍摄的图像不仅受噪声的影响，而且存在严重的灰度失真和几何畸变。在这种条件下，如何有效地进行图像匹配一直是人们研究的热点和难点。 要研究模板匹配，首先必须明确模板匹配的定义：模板匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。简单的讲就是，要判读一幅大图像中是否存在某种已知的图案，则以一幅与该图案有着相同尺寸和方向的小图像为模板，通过一定的算法可以在图中找到目标，确定其坐标位置。 那么如何实现模板与原图像的匹配呢？下面将结合一个具体例子说明模板匹配的实现过程。 二、问题描述及解决方法 1.问题描述 现有模板如下图： 原图如下图： 问题：如何在原图中找到模板所处的位置，并把该位置标记出来。 2.解决方法

首先必须建立判断模板与原图相应位置相似程度的准则。对于彩色图像，是基于图像的特征匹配；而灰度图像，则是基于相关函数。本实验的处理对象主要是灰度图片。 相关函数又分成两类： （1） 差值测度。计算公式如下： max |(,)(,)|f x y g x y ε=- |(,)(,)|D f x y g x y dxdy ε=-?? 22[(,)(,)]D f x y g x y dxdy ε=-?? （2） 相关测度。计算公式如下： 1222(,)(,)(,)[(,)(,)]D D D f x y g x y dxdy p x y f x y dxdy g x y dxdy = ??????? 显然，上式中的p(x,y)取值范围是0到1。越接近于0，表示两图像相差越大；越接近于1，表示两图像越相似。 有了描述相似程度的数学模型，接下来就可以用MATLAB 编程实现模板匹配，从而解决上述问题了。 三、 MATLAB 实现 要实现这个程序，必须有三个重要组成部分： 1. 模板循环 功能：实现模板扫过原图的每一个像素点。 语句： for i=1:M-m for j=1:N-n end end 描述：以模板左上角第一个点为标志点，使其依次从左到右、从上到下扫过原图每一个像素点。 2. 相似性判断 功能：在每一次循环时，计算模板与覆盖的原图区域的相似程度，并判断两图像是否相似。 语句： temp=imcrop(im,[j,i,n-1,m-1]);

免费会员卡模板素材

竭诚为您提供优质文档/双击可除免费会员卡模板素材 篇一：会员合作协议 项目合作协议 甲方：北京友邦前景营销顾问有限公司 乙方： 根据《中华人民共和国合同法》的规定，北京友邦前景营销顾问有限公司（以下简称“甲方”）和（以下简称“乙方”）本着互利互惠、资源共享的原则就建立咨询项目合作关系一事双方达成如下合作协议。 一、双方合作的原则为：诚信自愿、资源共享、平等互利、共同发展。 二、双方合作的宗旨是：通过甲方的公司运作平台，创造更多项目合作机会，双方共 同获益。 三、甲方授权乙方为公司的兼职“营销咨询师”，提供公司名片、宣传资料和临时办 公场所（办公位和会议室等），并使用甲方公司的名义开拓新客户，项目执行期间乙方必须接受甲方的监督，严格

执行甲方的项目管理流程，双方共同努力为客户创造最大价值。 四、为提升双方在营销领域的核心竞争力，双方开放资源给对方共享。如：乙方可以 登录甲方资源库，使用甲方的案例等。 五、乙方在和项目执行和客户拓展过程中，如需要，甲方可配合乙方进行洽谈，达成 真正意义上的合作。 六、合作项目与客户的签约工作可以由甲乙双方共同完成，或者由甲方代表乙方完成。 七、合作项目合同签订前的开拓工作所涉及的各项费用由双方各自承担。 八、双方合作项目利益分配约定如下： 1)双方合作项目的费用打入甲方帐户。 2)双方合作项目签约合同的实际总额的20%(含营业税)为甲方公司的品牌使用和项目管理 费归甲方留存，合同实际总额的80%作为乙方执行项目的经费归乙方使用，乙方需提供符合甲方要求的等值发票。 3)按照双方合作项目客户付款进程的相同比例实行以 上分配方案。 4)如果乙方提供客户信息，由甲方完成项目谈判和项目执行，签约合同实际总额的20%为乙

图像处理技术--模板匹配

图像处理技术——模板匹配算法 左力2002．3． 认知是一个把未知与已知联系起来的过程。对一个复杂的视觉系统来说，它的内部常同时存在着多种输入和其它知识共存的表达形式。感知是把视觉输入与事前已有表达结合的过程，而识别也需要建立或发现各种内部表达式之间的联系。 匹配就是建立这些联系的技术和过程。建立联系的目的是为了用已知解释未知。 章毓晋《图像工程下册》P.163 一．模板匹配的基本概念 模板就是一幅已知的小图像。模板匹配就是在一幅大图像中搜寻目标，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，通过一定的算法可以在图中找到目标，确定其坐标位置。 以8位图像(其1个像素由1个字节描述)为例，模板T( m ? n个像素)叠放在被搜索图S( W ? H个像素)上平移，模板覆盖被搜索图的那块区域叫子图Sij。i，j为子图左上角在被搜索图S上的坐标。搜索范围是： 1 ≤ i ≤ W – M 1 ≤ j ≤ H – N 通过比较T和Sij的相似性，完成模板匹配过程。 注意：图像的数据是从下到上、从左到右排列的。 可以用下式衡量T和Sij相似性： ∑∑ = =- = N n ij M m n m T n m S j i D 12 1 )] , ( ) , ( [ ) ,(被搜索图 S 模板 T m i {

∑∑ ∑∑ ∑∑ ======+?-=N n M m N n ij M m N n ij M m n m T n m T n m S n m S 1 2 1 1 1 1 2 1 )] ,([),(),(2)],([ 上式的第一项为子图的能量，第三项为模板的能量，都与模板匹配无关。第二项是模板和子图的互相关，随( i, j )而改变。当模板和子图匹配时，该项有极大值。将其归一化，得模板匹配的相关系数： ∑∑∑∑∑∑======?= N n M m N n ij M m N n ij M m n m T n m S n m T n m S j i R 1 2 1 1 2 1 1 1 )] ,([)],([) ,(),(),( 当模板和子图完全一样时，相关系数R( i, j ) = 1。在被搜索图S 中完成全部搜索后，找出R 的最大值Rmax( im, jm )，其对应的子图Simjm 即为匹配目标。显然，用这种公式做图像匹配计算量大、速度较慢。 另一种算法是衡量T 和Sij 的误差，其公式为： ∑∑ ==-=N n ij M m n m T n m S j i E 1 1 |),(),(|),( E( i, j )为最小值处即为匹配目标。为提高计算速度，取一个误差阈值E 0，当E( i, j )> E 0时就停止该点的计算，继续下一点计算。 试验结果如下： 注：以上试验是在赛扬600 PC 机上用VC6.0进行的。 结果表明：被搜索图越大，匹配速度越慢；模板越小，匹配速度越快。误差法速度较快，阈值的大小对匹配速度影响大，和模板的尺寸有关。 二．改进模板匹配算法 我在误差算法的基础上设计了二次匹配误差算法： 第一次匹配是粗略匹配。取模板的隔行隔列数据，即四分之一的模板数据，在被搜索图上进行隔行隔列扫描匹配，即在原图的四分之一范围内匹配。由于数据量大幅度减少，匹配速度显著提高。 为了合理的给出一个误差阈值E0，我设计了一个确定误差阈值E0的准则： E 0 = e 0 * (m+1)/2 * (n+1)/2

基于点云模板匹配技术的机械臂定位抓取系统及方法与设计方案

本技术公开一种基于点云模板匹配技术的机械臂定位抓取系统，包括依次连接的数据采集模块、数据处理和传输模块、机械臂控制模块。本技术还公开了一种基于点云模板匹配技术的机械臂定位抓取方法。本技术基于三维点云配准方法在场景中寻找目标物体，克服了利用普通彩色相机采集的场景二维图像信息难以检测存在相互遮挡的多个目标物体、缺乏纹理细节的目标物体等问题，准确性高，适用于货物分拣码垛场景，具有良好的应用前景。 技术要求 1.一种基于点云模板匹配技术的机械臂定位抓取系统，其特征在于，包括依次连接的数据采集模块、数据处理和传输模块、机械臂控制模块； 所述数据采集模块用于获取待抓取目标物体的场景点云数据； 所述数据处理和传输模块用于通过场景点云数据获取目标物体的位姿信息并将位姿信息 传输至机械臂控制模块； 所述机械臂控制模块用于根据位姿信息执行对目标物体的抓取。 2.根据权利要求1所示的一种基于点云模板匹配技术的机械臂定位抓取系统，其特征在 于，所述数据采集模块包括深度相机和电脑； 所述深度相机用于获取待抓取目标物体的场景点云数据并将所述场景点云数据保存至电 脑中。 3.一种基于点云模板匹配技术的机械臂定位抓取方法，其特征在于，所述方法包括以下步骤：

采集待抓取目标物体的场景点云数据； 根据所述场景点云数据获取目标物体的目标点云数据； 根据所述目标点云数据计算目标物体在深度相机下的位姿信息； 根据所述深度相机下的位姿信息和机械臂示教计算目标物体在机械臂基坐标系下的位姿信息； 根据所述机械臂基坐标系下的位姿信息规划抓取目标物体的轨迹和相应姿态并实施抓取。 4.根据权利要求3所述的一种基于点云模板匹配技术的机械臂定位抓取方法，其特征在于，所述目标点云数据的获取方法包括： 对所述场景点云数据进行滤波处理获取无噪点和背景的点云； 根据所述无噪点和背景的点云所在的三维空间创建多个三维体素栅格，以所述体素栅格中所有点云的重心点作为采样点云； 对所述采样点云进行分割获取目标点云数据。 5.根据权利要求3所述的一种基于点云模板匹配技术的机械臂定位抓取方法，其特征在于，所述深度相机下的位姿信息计算方法包括： 提取所述目标点云数据的关键点； 将所述目标点云数据和模板点云数据的关键点进行初始配准、精配准获取齐次变换矩阵。 6.根据权利要求5所述的一种基于点云模板匹配技术的机械臂定位抓取方法，其特征在于，所述初始配准的方法包括： 从目标点云数据的关键点中选取样本点； 根据特征直方图获取所述样本点在模板点云数据的关键点中的初始对应点；

基于HALCON的模板匹配方法总结.

基于HALCON的模板匹配方法总结 基于HALCON的模板匹配方法总结 HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示： ⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用 area_center()找到这个矩形的中心；

⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等； ⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓； ⑷ 创建好模板后，就可以打开另一幅图像，来进行模板匹配了。这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数 find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。 ⑸ 找到之后，还需要对其进行转化，使之能够显示，这两个函数 vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的

第12章 成本计算分批法

第十二章成本计算分批法 一、学习目的与要求 通过本章学习，了解分批法的适用范围，一般了解分批法的成本计算程序,掌握成本计算分批法的涵义，熟练掌握分批法的特点，重点掌握分批法成本计算对象如何确定以及间接费用如何分配。 二、预习思考题 （一）名词解释 1．分批法 2．分批零件法 3．当月分配法 4．累计分配法 （二）论述题 1．什么是产品成本计算的分批法？ 2．分批法与品种法相比，有哪些特点？ 3．在分批法中，如何确定成本计算对象？ 4．什么是间接费用的当月分配法？应如何应用当月分配法来分配间接费用？ 5．什么是间接费用的累计分配法？应如何应用累计分配法来分配间接费用？ 6．采用分批法计算产品成本应经过哪些步骤？ 7．在分批法中，什么情况下需要在批内计算完工产品成本和在产品成本？如何计算？ 8．说明分批法的适用范围。 9．间接费用的当月分配与累计分配有何区别? 10．分批零件法与分批法的区别表现在哪些方面? 11．说明分批零件法的成本计算程序。 三、要点提示 （一）分批法的涵义 成本计算分批法，是以产品的批别（或定单）为成本计算对象，归集生产费用，计算产品成本的一种方法，亦称定单法。 （二）分批法的适用范围 1．分批法一般适用于单件小批生产类型的企业，例如船舶制造、重型机械制造以及精密仪器、专用设备生产企业 2．新产品的试制、工业性修理作业和辅助生产的工具模具制造等也可以采用分批法计算成本。 （三）分批法的特点 1．分批法的成本计算对象是产品的批别（或定单）。 产品的批别或定单通常是由企业的生产计划部门负责组织的，生产计划部门依据用户定单签发一式多份的“生产任务通知单”。 供应部门据以备料；生产部门据以安排生产；财会部门据以确定成本计算对象，设置成本计算明细账。 某批产品直接发生的费用，应根据原始凭证或费用分配表，直接计入该批产品成本计算单的有关项目中；对于不能按批别划分的间接费用，则应按费用发生的地点先加以归集，期末再在各受益对象之间进行分配。间接费用可采用“当月分配法”或“累计分配法”在各批产品之间进行分配。 2．成本计算期是生产周期。 采用分批法计算产品成本的企业，各批产品成本计算单虽然仍按月归集费用，但只有在该批次或定单产品全部完工时，才能计算其实际成本。因此，分批法的产品成本计算是不定期的，成本计算期与某批次或定单产品的生产周期一致。 3．月末在产品成本的计算通常不需要在完工产品与月末在产品之间分配生产费用，但特殊情况除外。如果产品批量较大，出现产品跨月陆续完工和分次交货的情况时，就应该采取适当的方法计算完工产品成本和月末在产品成本。计算方法一般有两类： （1）在大批量投产，批内陆续完工数量不多的情况下，可以采用按计划成本、定额成本或近期同种产品实际成本计算完工产品成本的方法，从成本计算单中转出批内完工产品的成本，剩余生产费用即为在产品成本。 （2）大批投产，批内跨月完工数量较多的情况，则应采用适当的方法，如约当产量法等，在完工产品和在产品之间分配费用。 但这两类计算方法，由于都带有一定的假定性，所以，还需在整批产品全部完工时，重新计算该批产品的总成本和单位成本。 （四）分批法间接费用的分配 1．当月分配法：是指分配间接费用（主要为制造费用）时，不论各批次或各定单产品是否完工，都要按当月分配率分配其应负担的间接费用。采用这种分配法，各月份月末间接费用明细账没有余额，未完工批次或定单也要按月结转间接费用。 2．累计分配法：是指分配间接费用时，只对当月完工的批次或定单按累计分配率进行分配，将未完工批次或定单的间接费用总额保留在间接费用明细账中不进行分配。但在各批产品成本计算单中要按月登记发生的工时，以便计算各月的累计分配率和在某批次产品完工时，按其累计工时汇总结转应负担的间接费用总额。 采用“累计分配法”，间接费用明细账月末留有余额，完工批次或定单一次负担其间接费用，因此，

会员卡营销方案

会员卡营销方案 --------------------------可以编辑的精品文档，你值得拥有，下载后想怎么改就怎么改--------------------------- ========================================================== 目前零售药店实行的会员卡缺乏一整套的营销方案，忽略了由会员制引申出的注重特色化经营和差异化的定向营销方式。 会员制是零售行业最为常见的营销模式之一。尽管在连锁规模、企业管理等方面落后于普通零售业，但国内药店在会员制的推行上起步却并未晚于商超。然而，经过市场洗礼，曾经被大家广泛关注并寄予厚望的、商家与消费者之间最紧密沟通桥梁的会员卡日益边缘化，甚至被高毛利等直接逐利的名词所替代。不过，像石家庄新兴大药房等企业依然默默坚守着自己的会员营销理念，并日益驾轻就熟。 “新医改”出台后，药店经营者又重新开始重视会员管理。“我们目前共有40多万的会员，以前没有开展系统的会员服务，新近成立了客户服务部，专门负责会员的管理、服务、营销等一系列工作。”山东漱玉平民大药房副总经理李强如是说。 激活“休眠卡” 近年来，几乎所有的连锁都发行了自己的会员卡，少则一张，多则数张，大小不一、形式各异的会员卡大有泛滥之势。大家都发卡，渐渐地演变成了“没有卡”，“休眠卡”日益增多。据了解，北京一家连锁大药房的60多万会员资料中，其有效性不足80%。换言之，有12万多的会员可能由于更换地址、电话无法联络并推广服务。 如何重新激活“休眠卡”,将已有资源加以整合利用呢,

李强表示，新近成立的客户服务部将专门负责会员卡管理，采取会员营销、提供增值服务、分疾病等进行特色营销。 江苏恒泰大药房则采取更为直接的开户负责制方式，即会员由其开发的员工直接负责，该员工可从会员消费中提取部分提成，直到晋升时为止，这便要求员工与会员建立最为有效的沟通与联系。目前恒泰近十万的会员“休眠”率不足3%。 那么，会员卡多长时间激活一次呢, 山西万民大药房副总经理杜杰分析，一年没有维护与核查的顾客信息中，一半以上都将成为无效信息。维护的欠缺，在会员管理较为完善的药店都不同程度地存在，那些跟风发放会员卡的药店就更为严重了。为了保证客户的有效性，万民从会员卡办理的源头抓起，采取固定电话登记制，要求以家庭为单位办卡。“现会员已覆盖50多万户家庭。对于3个月内无销售记录的会员，采用短信或邮寄优惠卡的方式进行回访;若半年内仍无销售，则采用电话或上门回访形式，并在回访过程中详细了解各种信息，从顾客角度出发介绍新业务或更加方便的购药信息”。 零售专家刘文烽表示，目前零售药店实行的会员卡营销大多停留在低水平运作状态，缺乏一整套的营销方案，忽略了由会员制引申出的注重特色化经营和差异化的定向营销方式，不能最大限度地满足目标客户的需求。会员卡的真正意义，类似于商品条码之于药店，不用会员卡的顾客，就像店长在管理没有条码的药品。药店应该厘清会员体系与积分奖励机制， --------------------------可以编辑的精品文档，你值得拥有，下载后想怎么改就怎么改--------------------------- ==================================================================== ====== --------------------------可以编辑的精品文档，你值得拥有，下载后想怎么改就怎么改---------------------------

模板匹配

图像模式识别中模板匹配的基本概念以及基本算法 认知是一个把未知与已知联系起来的过程。对一个复杂的视觉系统来说，他的内部常同时存在着多种输入和其他知识共存的表达形式。感知是把视觉输入与事先已有表达结合的过程，而识别与需要建立或发现各种内部表达式之间的联系。匹配就是建立这些联系的技术和过程。建立联系的目的是为了用已知解释未知。（摘自章毓晋《图像工程》） 1、模板匹配法： 在机器识别事物的过程中，常常需要把不同传感器或同一传感器在不同时间、不同成像条件下对同一景象获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图像中寻找相应的模式，这就叫匹配。在遥感图像处理中需要把不同波段传感器对同一景物的多光谱图像按照像点对应套准，然后根据像点的性质进行分类。如果利用在不同时间对同一地面拍摄的两幅照片，经套准后找到其中特征有了变化的像点，就可以用来分析图中那些部分发生了变化；而利用放在一定间距处的两只传感器对同一物体拍摄得到两幅图片，找出对应点后可计算出物体离开摄像机的距离，即深度信息。 一般的图像匹配技术是利用已知的模板利用某种算法对识别图像进行匹配计算获得图像中是否含有该模板的信息和坐标； 2、基本算法： 我们采用以下的算式来衡量模板T（m,n)与所覆盖的子图Sij（i,j)的关系，已知原始图像S(W,H)，如图所示： 利用以下公式衡量它们的相似性： 上述公式中第一项为子图的能量，第三项为模板的能量，都和模板匹配无关。第二项是模板和子图的互为相关，随（i,j）而改变。当模板和子图匹配时，该项由

最大值。在将其归一化后，得到模板匹配的相关系数： 当模板和子图完全一样时，相关系数R(i,j) = 1。在被搜索图S中完成全部搜索后，找出R的最大值Rmax(im,jm)，其对应的子图Simjm即位匹配目标。显然，用这种公式做图像匹配计算量大、速度慢。我们可以使用另外一种算法来衡量T和Sij的误差，其公式为： 计算两个图像的向量误差，可以增加计算速度，根据不同的匹配方向选取一个误差阀值E0，当E(i,j)>E0时就停止该点的计算，继续下一点的计算。 最终的实验证明，被搜索的图像越大，匹配的速度越慢；模板越小，匹配的速度越快；阀值的大小对匹配速度影响大； 3、改进的模板匹配算法 将一次的模板匹配过程更改为两次匹配； 第一次匹配为粗略匹配。取模板的隔行隔列数据，即1/4的模板数据，在被搜索土上进行隔行隔列匹配，即在原图的1/4范围内匹配。由于数据量大幅减少，匹配速度显著提高。同时需要设计一个合理的误差阀值E0： E0 = e0 * (m + 1) / 2 * (n + 1) / 2 式中：e0为各点平均的最大误差，一般取40~50即可； m,n为模板的长宽； 第二次匹配是精确匹配。在第一次误差最小点（imin, jmin)的邻域内，即在对角点为（imin -1, jmin -1), (Imin + 1, jmin + 1)的矩形内，进行搜索匹配，得到最后结果。

一种快速鲁棒的模板匹配算法

《工业控制计算机》2019年第32卷第3期 图像匹配是计算机视觉领域的众多重要课题之一，而模板匹配是图像匹配的子类之一。在许多涉及视觉领域的实际应用中，通常需要利用多个视觉传感器采集同一物体不同角度或者不同背景下的图像信息，来确定同一物体在不同图像内位置关系。模板匹配应用在很多计算机视觉领域，比如目标识别、跟踪、图像拼接、三维重建等。 模板匹配的核心是在目标图片内确定模板中的感兴趣物体的位置。传统的模板匹配算法通过计算模板和滑动窗口之间的相似性这一方式来确定匹配结果。但是在实际应用场景中，模板图像中包含的感兴趣目标往往会受到外部条件的影响从而发生颜色和特征上的复杂变化，这些条件包括光照、变形等等。除此之外，感兴趣目标本身也容易发生非刚性变形、被障碍物遮挡、角度变换等情况都会使传统的相似性度量方法遭到很大的挑战。传统的模板匹配算法通常都是基于单一的图像像素点的颜色信息，由于颜色信息容易受到外部条件的影响，所以算法鲁棒性较差。另外，这些基础算法一般都采用滑动窗口来确定搜索空间，这样会浪费较多时间，所以速度较慢，效率较低。除这类算法以外，很多匹配算法在模板图像和目标图像间建立一个具体的带有许多参数的形变转换模型。基于参数模型的算法由于参数条件的限制，一般只能处理特定场景的图像对，能够应用的场景非常有限。因为在估计复杂变换时引入了许多参数，算法中包含大量的计算，从而花费了更多时间，效率也不高。 为了提升模板匹配算法的效率和鲁棒性，本文提出了一种基于特征点的模板匹配方法。 1基于特征点的模板匹配 1．1特征点提取并匹配 在图像处理中，特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征，能够标识图像中目标物体，通过特征点的匹配能够有效准确地完成图像的匹配。 基于对特征提取算法的研究，本文采用速度较快的ORB特征提取算法，利用其速度快和特征点多的特点，将模板与被搜索图像之间的特征点进行匹配。ORB算法的基本步骤是首先在尺度空间中用oFAST算法提取局部不变特征点，接着用rBRIEF 算法对提取到的特征点构建特征描述子，最后对这些描述子进行匹配。具体步骤为： 步骤一：粗提取。提取大量的特征点，但是有很大一部分的特征点的质量不高； 步骤二：利用机器学习的方法筛选最优特征点； 步骤三：采用非极大值抑制去除局部较密集特征点； 步骤四：建立金字塔，来实现特征点的多尺度不变性； 步骤五：定义矩方法实现特征点的旋转不变性。 ORB是为了满足实时处理的需要而提出的基于FAST特征检测和BRIEF特征描述的一种局部不变特征算法。两幅图片的特征点提取成功后使用BF算法进行匹配得到两幅图片的特征点对。 1．2剔除错误的匹配点对 通过ORB特征点提取算法和BF算法匹配后得到了两幅图片的特征点对。但是由于ORB特征点的数量巨大，且BF算法只能计算特征向量之间的相似性进行粗略匹配，因此特征点对当中包含大量错误的匹配点对，需要进一步剔除错误的匹配点对。如前文所述，本文算法注重提升运行速度和增强鲁棒性，所以本文采用基于运动统计模型的GMS算法来筛选特征点对。 近两年关于计算机视觉的国际会议中，将平滑度约束引入特征匹配用以实现超强鲁棒匹配的方法屡见不鲜。然而基于这个方法的方案或模型既复杂又缓慢，使得它们难以适用于视频或者实时系统。在CVPR2017会议上，毕业于南开大学现于新加坡科技设计大学担任助理研究员的边佳旺提出了基于网格的运动统计模型GMS，将运动平滑度作为统计量进行局部区域的匹配。由于算法实现了高速并且超稳定的图像匹配效果，对计算机视觉领域的研究产生重要影响。 图像对邀I a，I b妖各自具有邀N，M妖特征点，x＝邀x1，x2，x3，…，x i，…，x N妖表示从I a到I b的相似点对集合，GMS的目的就是将集合内正确点对与错误点对区分开来。假设两幅图像的对应区域a和b各自具有特征点数为邀n，m妖。GMS的统计模型为： S i ＝x i－1 上式中，x i哿x是a和b区域之间特征点对集合中的一个元素，S i表示区域内支持这个点对的度量方法，S i越大，支持这个点对的特征点对越多，表示点对是正确点对的可能性越大；S i越 一种快速鲁棒的模板匹配算法 A Fast and Robust Template Matching Algorithm 王美和陈金波（上海大学机电工程与自动化学院，上海200072） 摘要：模板匹配是计算机视觉领域中一项重要的研究内容。提出了一种基于特征点匹配的快速鲁棒的模板匹配算法。为了 提升匹配速度，该算法提取模板图片与目标图片的特征点进行匹配，而不是采用传统的计算模板匹配与滑动窗口相似性的方法。首先提取出两幅图片的特征点并对这两个特征点集合进行匹配；然后基于运动统计模型移除错误点对；最后利用网格框架 来定位目标图片中的物体。实验结果表明，该算法匹配速度较快、准确度较好，并且在匹配水下声呐图片时有较好的表现。 关键词：模板匹配，特征点，网格框架，快速鲁棒 Abstract:T his paper presents a fast and robust method for template matching based on the feature matches between a target image and the template．It extract two sets of feature points from two images by ORB algorithm and match the key points to get a number of matches,and remove the wrong matches to leverage feature numbers to improve quality．Then,this paper uses a grid framework to locate the target object． Keywords:template matching,key points,grid framework,fast and robust 45