匹配
匹配的概念是相当简单的：在一张训练的图像中，一个所谓的模板被呈现。系统从这个模板中获得一个模型，然后这个模型被用来在搜索图像中去定位和模板相似的对象。依据所用的方法，这种方法能够适应光照、遮挡、变化的尺寸、位置和旋转，有甚者是模板部分的相对移动。
匹配的优势是其具有易用性、很强的鲁棒性和灵活性。匹配不要求对期望对象任何类型的分割，通过一些匹配方法，这些对象可以被定位，即使它们被其他对象所覆盖。还有就是，匹配仅仅有少量的参数，甚至这些参数在大多数情况下是被自动决定的，对于那些终端用户在机器视觉上有很少技能的应用而言，这些优势都将显得更加有诱惑力。
对于匹配，HALCON提供了不同的方法，选择要依靠图像数据和需要解决的任务。
l Correlation-based-matching是基于灰度值和标准化的互相关。这里，线性光照变化时可以被应付的。算子的使用类似基于形状匹配的算子，比起基于形状匹配的优势是其对于纹理也能够处理。另一方面，对象仅仅能够被旋转，但不能被缩放，且方法仅限对于灰度值图像。另外，此方法对遮挡，杂物和非线性光照变化敏感。
l Shape-based-matching代表着机器视觉的最新技术。不是用灰度值，而是沿着轮廓的特征被提取并被用来模型的产生和匹配。这样的效果就是这种方法对光照和对象灰度值变化是保持不变的，它可处理缺少对象部分，杂物，噪声，虚焦和轻微变形的模型。还有，多个实例可以被找到，并且多个模型可以被同时应用。此方法运行对象被旋转和缩放，并也可以被应用到多通道图像上。
l Component-based-matching可以被认为高级的基于形状匹配：提高之处在于对象可以被认为多个部分组成，且其可以相对于彼此移动(旋转和转化)。一个简单的例子就是一对镊子，逻辑上其被认为识一个对象，但是物理上它是由两个部分组成的。基于组件匹配的匹配允许在一个搜索步骤中处理这样的组合对象。优势是相比于将部分作为不同模型来处理，改良了执行时间和增强了鲁棒性。但是与基于形状匹配相反，它不能处理虚焦的图像或者轻微变形的模型。
l Local-deformable-matching与基于形状匹配是类似的，但是大的变形可以被处理并被返回。特别地，除了位置和得分，匹配还可以返回一个搜索图像关键部分的矫正版本，一个描述变形的向量场，和并找到模型实例的变形轮廓。
l Perspectie-deformable-matching也与基于形状匹配类似，但这里更强的透视变形可以被处理，不仅2D位姿，而是2D映射转化矩阵被返回。另外，透视变形匹配的矫正版本也是可行的。这里，不仅2D映射转化矩阵，而是对象的3D位姿也被返回。
l Descriptor-based-matching具有与透视变形匹配相同的目的，例如对于非标定情况下获取2D映射转化矩阵，并且在标定情况下获得3D位姿。主要的不同是点，而不是轮廓，被用来去创建和寻找模型，这样，对于纹理性很强的对象它是特别适合的，但不适合低纹理性的对象。相比于透视变形匹配，对于更大搜索空间更快，但精度会降低。
l 3D-matching由不同的用3D数据作为模板匹配的方法组成。需要注意的是如果你在3D空间中搜索平面对象或者对象部分时，透视变形匹配或者基于描述符匹配是更快和更方便去用的选项。
l Point-based-matching具有结合两个覆盖图像的目的。首先在两张图像中提取关键点，这些点作为实际匹配过程的输入，匹配的结果是从一张图像到另一张图像的映射，允许转化，旋转，缩放和透视变形。这个映射一般被用来去结合两张图像未一个单独更大的图像。当然，一张图像可以被看作为一个模板，另一张图像作为被寻找对象实例。基于点匹配能够处理没有标定的透视变形，但是需要更多的执行时间，其主要来源于关键点的提取。
下表总结了不同匹配方法的特点，可以帮助我们去选择合适的方法。
基本概念
匹配被划为为如下的部分：
搜索2D模型(正交视图)
基于相关性的匹配
对虚焦，轻微的形变和线性光照变化保持不变，对纹理对象表现很好，但对杂质，遮挡，非线性关照变化，尺度变化，或者多通道图像是不起作用的
基于形状的匹配
对杂质，遮挡，非线性光照变化，尺度变化，虚焦和轻微的形变保持不变，并可以作用在多通道图像上。可以同时应用到多个模型上，但是对一些纹理是比较困难的。
基于组件的匹配
对象的组件有相对的运动。对杂质，遮挡，非线性光照变化和尺度变化保持不变。可以同时被应用到多个模型中，但是对一些纹理是困难的，也不作用于虚焦和形变。
局部变形匹配
返回的也是模型实例的形变。对杂质，遮挡，非线性光照变化，尺度变化和局部形变保持不变。可作用于多通道图像。
搜索2D模型(正交或者透视视图)
透视变形匹配
对杂质，遮挡，非线性光照变化，尺度，虚焦和透视形变保持不变，可作用于多通道图像，但对一些纹理是困难的。
基于描述符的匹配
对杂质，遮挡，非线性光照变化，尺度和透视形变保持不变，但是没有纹理是不起作用的，尤其是奇异点，并且对于虚焦或者多通道图像也是不起作用的。
搜索3D模型
3D匹配
---
搜索相对应点去结合覆盖图像(没有标定的拼接)
基于点匹配
---
获取图像
对于训练和匹配，首先一张图像应该被获取。
创建(训练)模型
为了创建一个匹配模型，首先一个在训练图像中覆盖模板的ROI必须被指定，只有图像那些真正重要且稳定的部分才能被用来去训练。训练算子的输入时被剪切的图像和控制参数。模型的句柄是训练的输出，然后模型会被用来做及时搜索或者被存储在文件中。
寻找模型
已经创建(或加载)了一个模型，其就可以被用来在图像中定位对象，每种方法都会提供特定的方法去执行这个任务。如果一个或者多个对象被找到，它们的位姿(位置，旋转和尺度)或者2D映射转化矩阵，连同它们的得分，一切被返回。这些值可以是已经期望的值或者作为下一步视觉处理的输入，例如定位感兴趣区域。
销毁模型
当你不再需要匹配模型的时候，你应该摧毁它。例如，对于基于形状的匹配，你可以用clear_shape_model去销毁它。
第一个例子
下面的程序将作为基本概念的一个例子，其展示了从模型产生到用基于形状匹配的方法去寻找对象的所有必要的步骤。
在图像中寻找所有的回形针
从文件中获取一张图像，一个覆盖图像中某个回纹针的区域被产生作为ROI。将区域与图像结合后，其被用来作为训练算子create_shape_model的输入。为了让例子变得简单，相同的图像被用来作为测试图像，用find_shape_model来搜索所有的回纹针。为了可视化的目的，模型的轮廓被访问，被移动了相对应的位置，并覆盖在图像上。最后，模型被清除以释放内存。
