基于卷积神经网络和NCC的两阶段的多尺度高精度定位的模板匹配算法

摘要

当前模板匹配算法中，基于灰度的模板匹配算法具有较好的稳定性和鲁棒性.但是对于大型图像和复杂模板，它可能需要大量的计算资源和时间.此外，在应对目标尺度变化较大时，基于灰度的模板匹配算法匹配效果较差.对于NCC算法自身速度较慢的问题，本文对NCC算法进行了改进，减少了平均36%的匹配时间.为了应对多尺度的问题，本文结合卷积神经网络，提出了基于卷积神经网络和NCC的两阶段的多尺度高精度定位的模板匹配算法.其中，在一阶段目标检测阶段，本文在YOLOX算法的基础上改进了主干网络和损失函数，改善了算法的计算速度以及匹配成功率，并利用一阶段目标检测的结果使二阶段NCC算法动态调整模板大小，极大地减少了NCC算法大规模制作模板时间，最终使得整体匹配精度远远高于传统基于灰度的模板匹配算法.

关键词

模板匹配 / 多尺度 / 卷积神经网络 / 两阶段 / YOLOX