影象匹配的方法很多，一般分為兩大類，一類是基於灰度匹配的方法，另一類是基於特徵匹配的方法。
（1）基於灰度匹配的方法。也稱作相關匹配演算法，用空間二維滑動模板進行影象匹配，不同演算法的區別主要體現在模板及相關準則的選擇方面。
已有的基於灰度的匹配方法很多，如：leese於2023年提出的mad演算法；為使模板匹配高速化，barnea於2023年提出了序貫相似性檢測法—ssda法，這種演算法速度有了較大提高，但是其精度低，匹配效果不好，而且易受雜訊影響。隨後陳寧江等提出的歸一化灰度組合相關法（nic），山海濤等提出基於灰度區域相關的歸一化灰度（nprod）匹配法等。其中，歸一化積相關匹配法較其他方法更具有優勢。
設參考圖s是大小為m*m的影象，實時圖t是大小為n*n的影象，並且m>n。影象匹配是將實時圖t疊放在參考圖s上平移，模板覆蓋下的那塊大小為n*n的搜尋圖叫做子圖suv。(u,v)為這塊子圖的左上角像點在圖中的座標，稱為參考點，（u，v）的取值範圍為：
基於灰度相關匹配能獲得較高的定位精度，但是它的運算量大，難以達到實時性要求。
（2）基於特徵匹配的方法。首先在原始影象中提取特徵，然後再建立兩幅影象之間特徵的匹配對應關係。
常用的特徵匹配基元包括點、線、區域等顯著特徵。影象特徵相比畫素點數量殺過少很多，特徵間的匹配度量隨位置變化尖銳，容易找出準確的匹配位置，特徵提取能大大減少雜訊影響，對灰度變化、形變和遮擋有較強的適應力。基於特徵的影象匹配方法在實際中的應用越來越廣泛，也取得了很大的成果，基於影象特徵的匹配方法主要有以下四種：
影象點匹配技術。影象點匹配技術可以分為兩類：一類是建立模板和待匹配影象的特徵點集之間的點點對應關係，然後計算對應點之間的相似性度量來確定影象匹配與否；另一類是無須建立顯示的點點對應關係，主要有最小均方差匹配、快速點匹配、haussdorff點距離匹配等。
邊緣線匹配技術。邊緣線可以通過區域分割、邊緣檢測等得到。採用邊緣線段的優點是孤立邊緣點的偏差對邊緣線段的影響很小，還加入了邊緣連線性約束。主要的方法有hyper匹配技術、chafer匹配技術等。
閉合輪廓匹配技術。輪廓匹配，是模式識別和三維重建的乙個最基本問題，常用的有fourier描述子、hrp描述子等。fourier描述子反映的是輪廓線的全域性特徵。hrp描述子相比則反映了閉合邊界的區域性特徵，能夠很好的處理輪廓線的區域性變化和遮掩性，降低了演算法的複雜度。
使用高階特徵的匹配技術。利用影象特徵間的幾何約束，將特徵屬性值之間簡單比較的結果作為相似性度量，從而進一步提高匹配演算法的速度。主要有影象匹配法、鬆弛法和能量最小化法等。
基於特徵匹配方法，一般都具有較好抗幾何失真和灰度失真的能力，對抗雜訊干擾也有一定的抑制能力，其難點在於自動、穩定、一致的特徵提取，並且特徵提取過程會損失大量的影象資訊，因而不易硬體實現。目前，對自然環境下的景物影象進行分割或特徵提取任然是一項困難的工作。
匹配演算法的效能評價指標主要有：匹配概率、匹配精度、匹配速度。
匹配概率，是正確匹配次數與總的匹配次數之比。
匹配精度，是正確匹配的匹配誤差均方差，描述了匹配的準確性。由於雜訊和其他誤差因素的影響，影象匹配時最終得出的匹配位置和真正的匹配位置是不同的，估計匹配點和真正匹配點之間存在一定的隨機偏差，該偏差稱為匹配誤差。顯然匹配誤差的方差越小，則定位精度越高。
匹配速度，是指匹配演算法的快慢程度，說明了搜尋的快速性。
乙個好的匹配演算法要求匹配概率盡可能高，匹配誤差小，演算法計算快，能滿足應用環境對實時性的要求。
正則匹配方法
這裡是幾個主要非英文語系字元範圍 google上找到的 2e80 33ffh 中日韓符號區。收容康熙字典部首 中日韓輔助部首 注音符號 日本假名 韓文音符，中日韓的符號 標點 帶圈或帶括符文數字 月份，以及日本的假名組合 單位 年號 月份 日期 時間等。3400 4dffh 中日韓認同表意文字擴充a...
OpenCV模板匹配方法原理
模板匹配 templatematching 就是在一幅影象中尋找和模板影象 template 最相似的區域，該方法原理簡單計算速度快，能夠應用於目標識別，目標跟蹤等多個領域。引數解釋 image 輸入影象。必須為8位或者32位的浮點型。templ 用於搜尋的模板影象。必須小於輸入影象並且是一樣的資料...
文字匹配方法系列 BERT匹配模型
在介紹深層次互動匹配方法之前，本文接著多語義匹配方法 1 介紹基於bert模型實現文字匹配的方法。將其單獨介紹主要因為bert實現文字匹配操作方便且效果優秀，比較適用於工業應用場景。關於bert模型,devlin,j.chang,m.w.lee,k.toutanova,k.2018 2 在 中有較為...