c++ opencv开发的基于形状(轮廓)多模板多目标的模板匹配源码，可实现定位，计数，分类等等，定位精度可达亚像素级别，运行速度采用并行加速。 开发工具：qt(msvc2015) + opencv6

在计算机视觉领域，基于形状（轮廓）的多模板多目标模板匹配是一项十分实用的技术，它不仅能实现目标的定位、计数，还能进行分类，今天就跟大家分享下这方面的开发实战，开发工具选用了qt(msvc2015) 以及opencv6。

环境搭建

首先，确保你已经安装好Qt并配置了MSVC2015编译器，同时OpenCV6也正确安装并配置好了环境变量。在Qt项目的.pro文件中，添加如下代码引入OpenCV库：

INCLUDEPATH += C:/opencv6/build/include
LIBS += -LC:/opencv6/build/x64/vc14/lib \
        -lopencv_world600d

这里假设你的OpenCV安装路径是C:/opencv6，实际情况请根据自己的安装路径调整。

定位、计数与分类的实现

轮廓检测

我们先从图像中提取目标的轮廓，以下是关键代码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv) {
    Mat src = imread("your_image.jpg");
    if (src.empty()) {
        cout << "Could not open or find the image" << endl;
        return -1;
    }

    Mat gray;
    cvtColor(src, gray, COLOR_BGR2GRAY);
    Mat blurred;
    GaussianBlur(gray, blurred, Size(5, 5), 0);
    Mat edges;
    Canny(blurred, edges, 50, 150);

    vector<vector<Point>> contours;
    findContours(edges, contours, RETR_TREE, CHAIN_APPROX_SIMPLE);

这段代码中，首先读取图像，将其转为灰度图，然后进行高斯模糊平滑处理，接着使用Canny边缘检测算法获取图像边缘，最后通过findContours函数找到所有轮廓。

模板匹配

接下来，实现基于轮廓的模板匹配，以实现定位功能。我们采用matchShapes函数来比较模板轮廓与图像中的轮廓相似度：

Mat templateImage = imread("template.jpg", IMREAD_GRAYSCALE);
if (templateImage.empty()) {
    cout << "Could not open or find the template image" << endl;
    return -1;
}

Mat templateEdges;
Canny(templateImage, templateEdges, 50, 150);

vector<vector<Point>> templateContours;
findContours(templateEdges, templateContours, RETR_TREE, CHAIN_APPROX_SIMPLE);

vector<vector<Point>> foundContours;
for (size_t i = 0; i < contours.size(); i++) {
    double matchValue = matchShapes(templateContours[0], contours[i], CONTOURS_MATCH_I1, 0.0);
    if (matchValue < 0.1) {
        foundContours.push_back(contours[i]);
    }
}

这里先读取模板图像并处理，然后遍历所有找到的轮廓，通过matchShapes函数计算相似度，当相似度小于某个阈值（这里设为0.1）时，认为找到了匹配的目标。

计数与分类

对于计数，我们可以简单统计找到的匹配轮廓数量：

cout << "Number of found objects: " << foundContours.size() << endl;

而分类则需要更多的模板以及更复杂的匹配逻辑，例如我们可以为不同类别的目标准备不同的模板，在匹配时分别计算相似度，根据相似度最高的模板来确定类别：

// 假设我们有多个模板
Mat template1 = imread("template1.jpg", IMREAD_GRAYSCALE);
Mat template2 = imread("template2.jpg", IMREAD_GRAYSCALE);
// 处理模板
//...
// 遍历轮廓进行分类
for (size_t i = 0; i < contours.size(); i++) {
    double matchValue1 = matchShapes(templateContours1[0], contours[i], CONTOURS_MATCH_I1, 0.0);
    double matchValue2 = matchShapes(templateContours2[0], contours[i], CONTOURS_MATCH_I1, 0.0);
    if (matchValue1 < matchValue2 && matchValue1 < 0.1) {
        cout << "Object at index " << i << " belongs to class 1" << endl;
    } else if (matchValue2 < matchValue1 && matchValue2 < 0.1) {
        cout << "Object at index " << i << " belongs to class 2" << endl;
    }
}

亚像素级定位精度提升

为了达到亚像素级定位精度，可以在轮廓检测后使用approxPolyDP函数对轮廓进行多边形逼近，然后利用轮廓的矩来计算更精确的位置：

vector<Point2f> center(foundContours.size());
vector<float> radius(foundContours.size());
for (size_t i = 0; i < foundContours.size(); i++) {
    Mat contourMat = Mat(foundContours[i]);
    Point2f c;
    float r;
    minEnclosingCircle(contourMat, c, r);
    center[i] = c;
    radius[i] = r;
}

这里通过minEnclosingCircle函数获取轮廓的最小外接圆，圆心位置就是目标的更精确位置。

并行加速提升运行速度

OpenCV提供了并行处理的能力，可以加快计算速度。例如在轮廓检测部分，可以这样并行化：

parallel_for_(Range(0, contours.size()), [&](const Range& range) {
    for (int i = range.start; i < range.end; i++) {
        double matchValue = matchShapes(templateContours[0], contours[i], CONTOURS_MATCH_I1, 0.0);
        if (matchValue < 0.1) {
            foundContours.push_back(contours[i]);
        }
    }
});

这里使用parallelfor函数并行遍历轮廓，对每个轮廓进行模板匹配，大大提升了匹配速度。

c++ opencv开发的基于形状(轮廓)多模板多目标的模板匹配源码，可实现定位，计数，分类等等，定位精度可达亚像素级别，运行速度采用并行加速。 开发工具：qt(msvc2015) + opencv6

通过以上步骤，我们就实现了基于C++与OpenCV的形状多模板多目标的模板匹配，能够高效地进行定位、计数与分类，并且达到亚像素级精度以及快速的运行速度。希望这篇博文对大家在计算机视觉开发上有所帮助。