模板匹配過程總，不管是建立模板還是匹配的運算元，引數都比較多，如果我們出現模板匹配不上或者建立模板、匹配時速度很慢的情況，則需要我們調整建立模板和匹配的運算元引數。
關於引數的調整，我們可以參照以下的一些說明：
1. 對比度：對比度越小，識別率越高，如果需要物體在任何狀態下都能被識別，減小mincontrast的值
2. 金字塔層數越高搜尋越快，但是匹配失敗率越高
3. minscore越小，模板匹配時越容易被識別。但是，在保證模板匹配成功的情況下，應該盡可能的增大minscore的值
4. 關於對稱的物體，要控制旋轉範圍
5. 如果要在任何狀態下都能識別，增大maxoverlap。該值越大，最大重疊越高，識別能力越大
6. greediness越大，識別能力小，但是搜尋越快，為0，執行完全搜素。
如果要加快搜尋速度，可能修改的引數如下：
1. 增大minscore
2. 增大greediness
3. 增大numlevels
4. 盡可能限定旋轉角度範圍
5. 限定搜尋的roi區域
搜尋速度越快，對應的會減低匹配成功率，因此，以上引數的修改，都需要在保證匹配成功的前提下修改。
0011 模板匹配（基於形狀）
1.建立模板 2.匹配 3.釋放模板 建立模型 create shape model template 輸入影象，其域將用於建立模型 numlevels 金字塔層數 anglestart 旋轉起始角度 angleextent 旋轉角度範圍 anglestep 每一步的角度 optimization ...
0015 模板匹配（基於形狀 其他運算元說明）
基於形狀的模板匹配過程中，會使用到的一些運算元說明 連線兩個物件元組 concat obj objects1 元組物件1 objects2 元組物件2 objectsconcat 輸出連線後的元組物件 均值影象 多通道灰度值求均值 mean n image 輸入影象 imagemean 平均後的影象...
高精度雙目匹配 基於sb標定法
在上一章中介紹了opencv4.3中的findchessboardcornerssb演算法，該演算法大大提高了單目標定的精度結果。由此我們這裡依然可以將這種方法應用在雙目標定中以獲取更高的標定精度，從而獲取更高的匹配精度。首先直接看 角點提取方法 isfindl findchessboardcorn...