图像算法十：轮廓匹配match_contours() 得到精确的旋转角度

当对平面物体进行视觉定位时，往往采用图像模板匹配的方式，然而当目标含有一定角度的旋转时，如何精确估算出旋转角度成了一个难题。下面是博主根据自己的理解所做的一个小的总结，也能算纠结，欢迎高手围观。

1 基于灰度的模板匹配（NCC等）

    用灰度模板进行模板匹配，往往耗时，并且要匹配含有旋转的目标，就需要建立多角度的模板。如果目标的角度范围是（-30°，30°），以1°为步幅，则需要60个模板，如果要把精度提高到0.1°，那至少要600个模板。显然是不太理想的方式。

2 图像主轴角的旋转匹配

当图像噪声较大、形状对比度不鲜明时，主轴角不准确，进而估算出的旋转角度误差较大。

3 点模式匹配

通过分别提取模板和目标图像中的特征点，建立对应关系，求得仿射变换参数。这种方式只对一定的目标适用，如果图像噪声大，并且形状是圆等，就很难提取出合适的角点。

4 sift（仿射无关特征变换）

这种方式也是可以的，只是对于噪声较大的图像还是不行，计算量大，提出的特征点往往很多，工业上对时间有较大要求，sift还是多用于立体匹配，用在平面检测中还是有点大材小用了。

5 边缘几何特征旋转角度估计

这种方法显然非常依赖边缘，如果目标含有缺陷，估算出的角度精度仍然不足。能够使得精度达到1°已经很不错了。

7 矩方法

这种方法进行模板匹配，估算位置和角度，当图像噪声大，难以二值化时，就不好办了。

8 广义霍夫变换

第一比较依赖边缘提取精度，然后就是耗时的问题。

9 梯度直方图

建立梯度直方图，角度精度也很难到达0.2°甚至更高。

 

在平面模板匹配方面，Halcon已经做的很好了，而且算法很通用，速度精度都能达到工业要求，只是商业软件的核心思想很难摸透。

要想通过模板匹配快速估算出精确的旋转角度，最终还是要插值或者拟合。

对于含有噪声的多目标匹配定位，还是有很多需要研究的地方，希望高手能提供宝贵建议！

原文：https://blog.csdn.net/lsh_2013/article/details/4765746