3. 基于形状的模板匹配原理

基于形状的模板匹配（Shape-Based Matching）是 HALCON 中定位精度最高、抗干扰能力最强的匹配方法之一。它不依赖灰度值本身，而是把图像中的“形状”抽象为一系列带方向的边缘点，再通过方向梯度与相似度度量完成搜索。理解这条从图像到模型的完整链路，是后续调参、提速和排障的基础。

一、边缘提取：从灰度到轮廓点

匹配的第一步是把模板图像中的目标轮廓提取出来。HALCON 使用基于 Canny 思想的亚像素边缘提取：先对图像做高斯平滑抑制噪声，再计算每个像素的梯度幅值与方向，最后沿梯度方向做非极大值抑制并连接成边缘链。与普通二值边缘不同，这里保留的是亚像素精度的边缘点坐标，即边缘位置可以落在两个像素之间，例如 (128.37, 96.52)。

关键参数是 Sigma（平滑尺度）和 MinContrast（最小对比度）。Sigma 越大，抗噪越强但细节越模糊；MinContrast 决定多弱的边缘被丢弃。教学示例中，对一幅 8 位灰度图上的金属垫片，常用 Sigma=1.0、MinContrast=10，可得到约 400～800 个边缘点，足以描述轮廓又不过度冗余。

二、方向梯度：形状的“指纹”

每个边缘点不仅记录位置，还记录该点的梯度方向——即边缘法线方向，指向灰度由暗到亮的一侧。方向梯度是形状匹配区别于灰度匹配的核心：它让模型对光照变化不敏感，因为明暗整体翻转时，方向会一致地反向，而相对关系不变。

在 HALCON 中，方向通常以角度表示并量化到若干离散方向（如 8 或 16 个方向）。模板创建时，每个边缘点被赋予一个方向索引。搜索时，图像中候选位置的边缘点方向必须与模板对应点方向一致或接近，才计入相似度。这一约束极大压缩了误匹配空间。

三、形状模型生成：金字塔与点集

提取到的边缘点不会全部保留。HALCON 通过 create_shape_model 生成模型时，会做两件关键事：一是按方向筛选边缘点，只保留方向稳定、对比度足够的点；二是构建图像金字塔，把模板降采样为多层（如 4～6 层），从粗到精逐层搜索。

金字塔的作用是提速：在顶层（最小分辨率）先做粗定位，快速排除大量不可能位置；逐层向下细化，最终在原始分辨率上得到精确位置。层数越多速度越快，但过粗的顶层可能丢失小目标。教学示例中，一个 200×200 像素的模板，常用 NumLevels=4，顶层约 25×25，搜索速度可提升数倍。

模型还包含一个角度范围参数。若目标可能旋转，需设置 AngleStart 与 AngleExtent，例如 AngleStart=-30°、AngleExtent=60°，表示在 ±30° 内搜索。角度步长 AngleStep 决定旋转采样的密度，步长越小精度越高但耗时越长。

四、相似度计算：方向一致性打分

搜索时，HALCON 把模型点集平移到候选位置，逐点比较模板方向与图像方向。相似度定义为方向差余弦的平均值：

S = (1/N) * Σ cos(θ_model_i − θ_image_i)

其中 N 为参与计算的点数，θ 为方向角。当所有点方向完全一致时 S=1；方向完全相反时 S=−1；方向随机时 S 趋近 0。实际使用中，通常设定 MinScore（如 0.7）作为接受阈值，低于该值的候选被丢弃。

HALCON 还提供 Greedy 和 Border 等参数控制搜索策略。Greedy 模式在找到高分候选后提前终止，适合目标唯一且对比度好的场景；关闭 Greedy 则遍历所有候选，适合多目标或弱对比场景，但耗时更长。

五、亚像素精度机制

金字塔顶层只能给出像素级位置，真正的亚像素精度来自底层精化。在原始分辨率上，HALCON 对相似度函数在候选位置附近做局部拟合（通常基于边缘点位置的最小二乘或插值），求解使相似度最大的连续坐标。由于边缘点本身是亚像素的，位置、角度均可达到 0.1 像素甚至更高精度。

影响亚像素精度的因素包括：边缘点的亚像素质量、模板点数量、噪声水平以及 SubPixel 参数设置。教学示例中，对同一垫片在 SubPixel='least_squares' 下重复匹配 20 次，位置标准差可控制在 0.05 像素以内；若改为 'none'，则退化为整像素精度。

六、参数与效果对照