Halcon算子—find_shape_model参数解析及优化

find_shape_model(Image : : ModelID, AngleStart, AngleExtent, MinScore, NumMatches, MaxOverlap, SubPixel, NumLevels, Greediness : Row, Column, Angle, Score)

find_shape_model(Image : : //搜索图像
ModelID, //模板句柄
AngleStart, // 搜索时的起始角度
AngleExtent, //搜索时的角度范围，必须与创建模板时的有交集
MinScore, //最小匹配值，输出的匹配的得分Score 大于该值
NumMatches, //定义要输出的匹配的最大个数
MaxOverlap, //当找到的目标存在重叠时，且重叠大于该值时选择一个好的输出
SubPixel, //计算精度的设置，五种模式，多选2，3
NumLevels, //搜索时金字塔的层数
Greediness : //贪婪度，搜索启发式，一般都设为0.9，越高速度快,容易出现找不到的情况
Row,Column, Angle, Score) //输出匹配位置的行和列坐标、角度、得分。
注意：
其输出参数共有4个。分别是目标在图像中的坐标（Row,Column）—重心坐标、目标的旋转角度以及匹配分值。

1.Row、Column的坐标并不是模板在搜索图像中的精确位置，因此不能直接使用他们。这些数值是为了创建变换矩阵被优化后的，你可以用这个矩阵的匹配结果完成各种任务，比如调整后续步骤的ROI。

2.Score是一个0到1之间的数，是模板在搜索图像中可见比例的近似测量。如果模板的一半被遮挡，该值就不能超过0.5。参数MinScore设置的越大，搜索的就越快。如果模板在图像中没有被遮挡，MinScore可以设置为0.8，甚至为0.9

3.Image的domain定义了模型参考点的搜索区域，模型参考点是在create_shape_model中用来创建模型的图像的domain区域的重心。不考虑使用函数set_shape_model_origin设置不同的初始位置。在图像domain区域的这些点内搜索模型，其中模型完全属于这幅图像。这意味着如果模型超出图像边界，即使获得的质量系数(score)大于MinScore也不能找到模型。这种性能可以通过set_system(‘border_shape_models’,‘true’)改变，这样那些超出图像边界，质量系数大于MinScore的模型也能找到。这时那些在图像外面的点看作是被遮挡了，可以降低质量系数。在这种模式下搜索的时间将要增加。

4.**参数AngleStart和AngleExtent确定了模板搜索的旋转角度。该角度尽量是create_shape_model算子中给定的角度一致。**参数AngleStart和AngleExtent确定了模型搜索的旋转角度，如果有必要，旋转的范围会被截取成为create_shape_model函数中给定的旋转范围。这意味着创建模型和搜索时的角度范围必须真正的重叠。在搜索时的角度范围不会改变为模2*pi的。为了简化介绍，在该段落剩下的部分所有角度都用度来表示，而在find_shape_model函数中使用弧度来设置的。因此，如果创建模板时，AngleStart=-20°、AngleExtent=40°，在搜索模板函数find_shape_model中设置AngleStart=350°、AngleExtent=20°，尽管角度模360后是重叠的，还是会找不到模板的。为了找到模板，在这个例子中必须将AngleStart=350°改为AngleStart=-10°。

5.参数MinScore定义模板匹配时至少有个什么样的质量系数才算是在图像中找到模板。MinScore设置的越大,搜索的就越快。如果模板在图像中没有被遮挡，MinScore可以设置为0.8这么高甚至0.9。

6.NumMatches定义了在图像上找到模板的最大的个数。如果匹配时的质量系数大于MinScore的目标个数多于NumMatches，仅仅返回质量系数最好的NumMatches个目标位置。如果找的匹配目标不足NumMatches，那么就只返回找到的这几个。参数MinScore优于NumMatches。
**如果Image中仅有1个目标，将NumMatches设置为1，将MinScore设置较低，比如0.5。该方式是一种较健壮的在Image中找到匹配目标的参数设置。
**
7.如果模型具有对称性，会在搜索图像的同一位置和不同角度上找到多个与目标匹配的区域。参数MaxOverlap是0到1之间的，定义了找到的两个目标区域最多重叠的系数，以便于把他们作为两个不同的目标区域分别返回。重叠的计算方法是基于找到的目标区域的任意方向的最小外接矩形(看smallest_rectangle2)。如果MaxOverlap=0, 找到的目标区域不能存在重叠, 如果MaxOverla p=1，所有找到的目标区域都要返回。如果找到的两个目标区域彼此重叠并且大于MaxOverlap，仅仅返回效果最好的一个。

8.SubPixel确定找到的目标是否使用亚像素精度提取。如果SubPixel设置为’none’(或者’false’ 背景兼容)，模型的位置仅仅是一个像素精度和在create_shape_model中定义的角度分辨率。如果SubPixel设置为’interpolation’(或’true’)，位置和角度都是亚像素精度的。在这种模式下模型的位置是在质量系数函数中插入的，这种模式几乎不花费计算时间，并且能达到足够高的精度，被广泛使用。然而在一些精度要求极高的应用中，模板的位置应该通过最小二乘调整决定，比如通过最小化模板点到相关图像点的距离。与 ‘interpolation’相比，这种模式需要额外的计算时间。对于最小二乘调整的模式有：‘least_squares’, ‘least_squares_high’, 和’least_squares_very_high’。他们可用来定义被搜索的最小距离的精度，选择的精度越高，亚像素提取的时间越长。其级别越高，耗时越长。一般情况下，用’least_squares’能达到时间和精度的平衡。
然而，通常SubPixel设置为’interpolation’。如果希望设置最小二乘就选择’least_squares’，因为这样才能确保运行时间和精度的权衡。
如果目标相对于模板稍微有形变，其匹配的分值会较低。对于这样的目标，可在参数SubPixel额外传递一个最大允许目标变形的参数，‘max_deformation 1’，字符串中的数值是0到32之间的整数值。0代表不允许变形。**较高的最大允许变形值导致运行时长的增加且及承担了更高的匹配错误的风险。因此，最大变形应该选择尽可能的小。**为了获取一个有意义的分数值以及避免匹配错误，推荐把允许变量和最小二乘法联合使用。

9.NumLevels是在搜索时使用的金字塔层数，金字塔就是按图像分辨率将图像拆成一层一层的，金字塔层数越多，匹配速度越快。如有必要，层数截成创建模型时的范围。如果NumLevels=0，使用创建模板时金字塔的层数。另外NumLevels还可以包含第二个参数，这个参数定义了找到匹配模板的最低金字塔层数。NumLevels=[4,2]表示匹配在第四层金字塔开始，在第二层金字塔找到匹配（最低的设为1）。可以使用这种方法降低匹配的运行时间，但是这种模式下位置精度是比正常模式下低的，所谓正常模式是在金字塔最底层匹配。因此如果需要较高的精度，应该设置SubPixel至少为’least_squares’。如果金字塔最底层设置的过大，可能不会达到期望的精度，或者找到一个不正确的匹配区域。这是因为在较高层的金字塔上模板是不够具体的，不足以找到可靠的模板最佳匹配。在这种情况下最低金字塔层数应设为最小值。
注：在图像失焦、镜头出现模糊的情况下进行模板匹配时，需将该值设置为负，比如[0,-1]，find_shape_model将返回金字塔最低级别上找到匹配的匹配项来找到待测目标。
另外，不同图像间，金字塔级别可能略有不同。为了方便对质量较差的图像匹配，在匹配时可以确定最低的金字塔级别。这里的技巧是，最低金字塔层可用负数指明。例如，如果NumLevels为[4,-2]，匹配从第4层金字塔开始，跟踪到最低金字塔级别。如果在这层金字塔找不到匹配目标，继续降低金字塔级别进行搜索，把找到至少一个匹配目标的金字塔级别最为最低金字塔级别，并返回找到的目标。

10.参数Greediness确定在搜索时的“贪婪程度”。如果Greediness=0，使用一个安全的搜索启发式，只要模板在图像中存在就一定能找到模板，然而这种方式下搜索是相对浪费时间的。如果Greediness=1，使用不安全的搜索启发式，这样即使模板存在于图像中，也有可能找不到模板，但只是少数情况。如果设置Greediness=0.9，在几乎所有的情况下，总能找到模型的匹配。

最后，该模板寻找算子在找不到目标的情况下较为耗时，通过算子
set_shape_model_param (ModelID, ‘timeout’, 1000)
能设置匹配时长，如果find_shape_model达到’timeout’，立刻终止执行，无输出匹配结果，返回一个错误代码9400（H_ERR_TIMEOUT）。