这在机器视觉领域是一个古老问题，已经被无数的人研究过，提出过各种匹配方案。在OpenCV里也有灰度匹配的函数，只可惜它不支持旋转，因此无法做实际的应用。今天在这里叙述一些我做这个算法的感悟。为了保守秘密，本系列文章可能只做流程上的描述与建议，和代码片段而不是完整的代码。
作为启蒙性文章，这里先说一下灰度匹配是做什么的。灰度匹配是用一个已知的图案作为模板，在运行时图像中查找定位这个模板，包括模板的位置角度等信息，可以用${ \left( x, y, \theta \right) }$表示。在机械手相关应用中它可以确定物体的位置。而在其它应用中可能只为了确定某个物体的数量或有无。如下图所示，在一个人像中定位眼睛的位置。
本文以NCC匹配方法为例叙述我的实现方法。首先像其他类型的匹配一样为了提高效率，要对模板和运行时图像做金字塔处理。另外，为了适应模板的旋转，不能把模板中的所有像素都用来做计算，那样速度慢而且旋转模板会在边缘外出现空白像素。我的做法是从中选择一部分像素点。考虑到随机或等距抽样可能会导致匹配时位置漂移，一个合适的策略是对模板分区，在每个分区中：
- 如果这个分区有边缘则选择边缘最强的点和它附近的两个点；
- 如果这个分区中没有边缘（梯度值普遍较小）则取此分区正中心的点和它附近的两个点。
设置分区的原因是尽可能让选择到的点均匀分布在模板的各个位置，避免点集中在某一个区域里。分区数量可以自定义，我设置的是25个分区。因此总共抽取25×3=75个像素点。
下面是根据上述方法实现的算法效果图。开发环境是VS2015、OpenCV430和Qt5.9，测试电脑配置是AMD A4-9125的CPU，测试用图是130万像素的。图中小窗口模板图里的蓝色的点就是选出来的匹配用的像素点：
经过测试此方法定位精度尚可，肉眼看不出来明显的偏差，且可以抵抗一些诸如模糊、少量噪声或其它类型的形变。