CN105704496A - 一种基于边缘检测的自适应模板匹配算法 - Google Patents

Abstract

本发明公开了一种基于边缘检测的自适应模板匹配算法，运用基于边缘特征的视频序列影像自适应模板匹配算法获得全局运动估计矢量，避免了模板选取不合理的问题，并采用固定帧运动补偿方式对当前帧图像进行矫正，从而获得稳定高质量的输出视频。本发明可以检测出由于摄像头的抖动而产生的位移，从而进行运动估计获得图像的全局运动矢量，采用固定帧运动补偿方式对当前帧图像进行矫正，消除摄像头抖动带来的影响，降低视频检测的误判，获得稳定高质量的输出视频。

Description

一种基于边缘检测的自适应模板匹配算法

技术领域

本发明涉及一种模板匹配算法，具体是一种基于边缘检测的自适应模板匹配算法。

背景技术

由于检测环境的复杂性，许多高速公路的检测设备因为路面、桥面或者风等因素产生无规律的抖动现象，严重时甚至会导致视频事件检测系统的检测率大幅度降低。稳像技术使用光学、机械或者图像处理等方法得到受影响图像的偏离矢量，在图像输出前用运动补偿的方法消除这部分偏移所带来的影响，从而得到一个稳定的输出序列，提高图像信息的质量。传统的匹配法是视频序列影像的运动估计的主要方法，其基本思想是将图像序列的每一帧分成许多互不重叠的宏块，并认为宏块内所有象素的位移量都相同，然后对每个宏块到参考帧某一给定特定搜索范围内根据一定的匹配准则找出与当前块最相似的匹配块，匹配块与当前块的相对位移即为运动矢量。传统的匹配法如果模板选取不合理会极大影响匹配的效果；传统的块匹配法的鲁棒性是比较差的，原因是在进行运动补偿时，补偿向量由运动估计得到的全局运动矢量决定的。在块匹配法中，全局运动矢量由多个模板块的局部运动矢量累积平均得到，如果建立的模板块有一个或多个模板的位置不合理，会对最后的全局运动矢量产生比较大的影响。另外，由于检测系统一般需要二十四小时运动，随着天气和时间的变化，图像会发生显著改变，因而选取的模板块也要做相应的更新，而传统的块匹配法缺乏有效的更新机制。

发明内容

本发明的目的在于提供一种基于边缘检测的自适应模板匹配算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于边缘检测的自适应模板匹配算法，包括如下步骤：(1)从摄像设备中获取序列影像，并有用序列均值法进行背景建模获得一个“干净”的背景；

(2)用边缘检测算法提取出背景图像边缘、直线、纹理、角点的边缘特征；

(3)匹配模板建立，经过灰度二值化后，边缘特征在图中表示为“1”的像素，而空白区域则为“0”，建立模板的目标是选取背景边缘特征图中特征最明显的若干个区域，寻找特征最明显的区域即是求在模板大小范围内“1”的数量最多的若干个位置，假设模板左上角的坐标(x,y)为模板位置，则模板用如下公式表示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j);$

其中P(x,y)表示左上角以(x,y)为起点，在模板宽度L和高度H的范围内所有像素值的和，G(x,y)表示在整幅图像中，以(0,0)为起点，图像宽度M和高度N的范围内所有模板像素和的最大值，此时(x,y)位置的模板即为边缘特征最明显的模板；

(4)模板进行自适应调整，在系统初始化时记录车辆经过的轨迹，并通过权值法来确定模板的位置，即是通过给不同区域的像素点赋予不同的权值来确定模板的位置，公式如下所示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j)$

$t(i,j)=\left\{\begin{array}{c}T1,d(i,j)\∉E(x,y)\\ T2,d(i,j)\∈E(x,y)\end{array}\right.$

其中T1和T2分别表示不在轨迹覆盖区域和在轨迹覆盖区域的权值，若模板数量多于一个，在求出第一个模板位置之后，把这一点屏蔽掉，接着计算下一个模板位置；

(5)模板搜索，假设其中一个模板的位置为D(x,y)，宽度和高度分别为L、H，则首先要在当前图像位置D(x,y)附近一定范围内进行模板的搜索与匹配，根据视频抖动的剧烈程度给搜索的范围设定一个阈值，例如图像抖动的幅度一般小于L或H的K分之一的话，可以把阈值定为max(L/K,H/K)，则搜索的范围如下所示：

$\left\{\begin{array}{c}x:max(0,x-\mathrm{\Δ}t)~min(L,x+L-\mathrm{\Δ}t)\\ y:max(0,y-\mathrm{\Δ}t)~min(H,y+H-\mathrm{\Δ}t)\\ \mathrm{\Δ}t=max(L/K,H/K)\end{array}\right.;$

(6)模板匹配，采用最小均方误差准则进行模板匹配：

$MSE(k,l)=\frac{1}{N_1{N}_2}\underset{x=1}{\overset{N1}{\Σ}}\underset{y=1}{\overset{N2}{\Σ}}{\[s(x,y)-\stackrel{\‾}{s}(x+k,y+l)\]}^2;$

其中s表示当前帧的图像子块，表示参考帧的图像子块；k和l分别表示图像子块水平方向和垂直方向的移动量，其最小单位是1个像素；N1和N2分别代表图像子块的宽度和高度；

(7)运动补偿，由模板匹配算法可以得到每一个模板的局部运动矢量，使用所有模板运动矢量的平均值作为图像的全局运动矢量，公式如下所示：

$G=\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{P}_i;$

其中G表示全局运动矢量，P_i表示第i个模板的局部运动矢量，M为模板的数量。使用G作为全局补偿矢量对图像进行反向补偿即可消除图像抖动。

作为本发明进一步的方案：所述步骤(1)中的背景获取时，需要对背景进行更新。

作为本发明进一步的方案：所述步骤(3)的匹配模板的建立中，需要对背景图像重新进行边缘检测。

作为本发明进一步的方案：所述模板大小为长宽20个像素，数量为2到4个。

作为本发明再进一步的方案：模板在搜索时，采用菱形搜索法，菱形搜索分为两种搜索模板，一个是大菱形搜索模板，另一个是小菱形搜索模板，搜索首先从初始位置开始计算大菱形搜索模板每个位置的匹配结果，如果结果最理想的位置不是在模板的中间，则一直搜索直到到达中间为止；重复上述的匹配过程直到最佳匹配位置位于大模板中心，接下来，以大菱形搜索模板的中心为基准使用小菱形搜索模板，计算每个小模板位置的匹配结果，所得的最佳结果即为全局最优结果。

与现有技术相比，本发明的有益效果是：本发明可以检测出由于摄像头的抖动而产生的位移，从而进行运动估计获得图像的全局运动矢量，采用固定帧运动补偿方式对当前帧图像进行矫正，消除摄像头抖动带来的影响，降低视频检测的误判，获得稳定高质量的输出视频。

附图说明

图1为基于边缘检测的自适应模板匹配算法中模板的效果图；

图2为基于边缘检测的自适应模板匹配算法中大小菱形搜索模板图。

图3为基于边缘检测的自适应模板匹配算法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～3，本发明实施例中，一种基于边缘检测的自适应模板匹配算法，包括如下步骤：(1)从摄像设备中获取序列影像，并有用序列均值法进行背景建模获得一个“干净”的背景；

(2)用边缘检测算法提取出背景图像边缘、直线、纹理、角点的边缘特征；

(3)匹配模板建立，经过灰度二值化后，边缘特征在图中表示为“1”的像素，而空白区域则为“0”，建立模板的目标是选取背景边缘特征图中特征最明显的若干个区域，寻找特征最明显的区域即是求在模板大小范围内“1”的数量最多的若干个位置，假设模板左上角的坐标(x,y)为模板位置，则模板用如下公式表示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j);$

其中P(x,y)表示左上角以(x,y)为起点，在模板宽度L和高度H的范围内所有像素值的和，G(x,y)表示在整幅图像中，以(0,0)为起点，图像宽度M和高度N的范围内所有模板像素和的最大值，此时(x,y)位置的模板即为边缘特征最明显的模板；

(4)模板进行自适应调整，在系统初始化时记录车辆经过的轨迹，并通过权值法来确定模板的位置，即是通过给不同区域的像素点赋予不同的权值来确定模板的位置，公式如下所示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j)$

$t(i,j)=\left\{\begin{array}{c}T1,d(i,j)\∉E(x,y)\\ T2,d(i,j)\∈E(x,y)\end{array}\right.$

其中T1和T2分别表示不在轨迹覆盖区域和在轨迹覆盖区域的权值，若模板数量多于一个，在求出第一个模板位置之后，把这一点屏蔽掉，接着计算下一个模板位置；

(5)模板搜索，假设其中一个模板的位置为D(x,y)，宽度和高度分别为L、H，则首先要在当前图像位置D(x,y)附近一定范围内进行模板的搜索与匹配，根据视频抖动的剧烈程度给搜索的范围设定一个阈值，例如图像抖动的幅度一般小于L或H的K分之一的话，可以把阈值定为max(L/K,H/K)，则搜索的范围如下所示：

$\left\{\begin{array}{c}x:max(0,x-\mathrm{\Δ}t)~min(L,x+L-\mathrm{\Δ}t)\\ y:max(0,y-\mathrm{\Δ}t)~min(H,y+H-\mathrm{\Δ}t)\\ \mathrm{\Δ}t=max(L/K,H/K)\end{array}\right.;$

(6)模板匹配，采用最小均方误差准则进行模板匹配：

$MSE(k,l)=\frac{1}{N_1{N}_2}\underset{x=1}{\overset{N1}{\Σ}}\underset{y=1}{\overset{N2}{\Σ}}{\[s(x,y)-\stackrel{\‾}{s}(x+k,y+l)\]}^2;$

其中s表示当前帧的图像子块，表示参考帧的图像子块；k和l分别表示图像子块水平方向和垂直方向的移动量，其最小单位是1个像素；N1和N2分别代表图像子块的宽度和高度；

(7)运动补偿，由模板匹配算法可以得到每一个模板的局部运动矢量，使用所有模板运动矢量的平均值作为图像的全局运动矢量，公式如下所示：

$G=\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{P}_i;$

其中G表示全局运动矢量，P_i表示第i个模板的局部运动矢量，M为模板的数量。使用G作为全局补偿矢量对图像进行反向补偿即可消除图像抖动。

所述步骤(1)中的背景获取时，需要对背景进行更新。

所述步骤(3)的匹配模板的建立中，需要对背景图像重新进行边缘检测。

所述模板大小为长宽20个像素，数量为2到4个。

模板在搜索时，采用菱形搜索法，菱形搜索分为两种搜索模板，一个是大菱形搜索模板，另一个是小菱形搜索模板，搜索首先从初始位置开始计算大菱形搜索模板每个位置的匹配结果，如果结果最理想的位置不是在模板的中间，则一直搜索直到到达中间为止；重复上述的匹配过程直到最佳匹配位置位于大模板中心，接下来，以大菱形搜索模板的中心为基准使用小菱形搜索模板，计算每个小模板位置的匹配结果，所得的最佳结果即为全局最优结果。

本发明的工作原理是：本发明运用基于边缘特征的视频序列影像自适应模板匹配算法获得全局运动估计矢量，避免了模板选取不合理的问题，并采用固定帧运动补偿方式对当前帧图像进行矫正，从而获得稳定高质量的输出视频。整个算法处理流程如下：

(1)从摄像设备中获取序列影像，并有用序列均值法进行背景建模获得一个“干净”的背景。

(2)用边缘检测算法提取出背景图像边缘、直线、纹理、角点等的边缘特征。

(3)匹配模板建立。经过灰度二值化后，边缘特征在图中表示为“1”的像素，而空白区域则为“0”。建立模板的目标是选取背景边缘特征图中特征最明显的若干个区域，寻找特征最明显的区域即是求在模板大小范围内“1”的数量最多的若干个位置。假设模板左上角的坐标(x,y)为模板位置，则模板可用如下公式表示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j)$

其中P(x,y)表示左上角以(x,y)为起点，在模板宽度L和高度H的范围内所有像素值的和。G(x,y)表示在整幅图像中，以(0,0)为起点，图像宽度M和高度N的范围内所有模板像素和的最大值，此时(x,y)位置的模板即为边缘特征最明显的模板。

(4)模板进行自适应调整。由于模板建立在车道中间，当车辆经过时会出现匹配失效的情况，严重影响检测的效果。在这种情况下需要对模板的位置进行调整。为了避免在车辆经过的区域建立模板，可以在系统初始化时记录车辆经过的轨迹，并通过权值法来确定模板的位置，即是通过给不同区域的像素点赋予不同的权值来确定模板的位置。公式如下所示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j)$

$t(i,j)=\left\{\begin{array}{c}T1,d(i,j)\∉E(x,y)\\ T2,d(i,j)\∈E(x,y)\end{array}\right.;$

其中T1和T2分别表示不在轨迹覆盖区域和在轨迹覆盖区域的权值。权值的取值比较关键，可根据检测的具体效果定。使用权值法能在图像中找到相对比较理想的位置，保证了模板匹配的效果。若模板数量多于一个，在求出第一个模板位置之后，把这一点屏蔽掉，接着计算下一个模板位置。

(5)模板搜索。假设其中一个模板的位置为D(x,y)，宽度和高度分别为L、H，则首先要在当前图像位置D(x,y)附近一定范围内进行模板的搜索与匹配。搜索的范围一般与模板的大小以及视频抖动的情况有关，搜索的范围太大的话可能在一定程度上会影响检测的实时性，所以一般根据视频抖动的剧烈程度给搜索的范围设定一个阈值。例如图像抖动的幅度一般小于L或H的K分之一的话，可以把阈值定为max(L/K,H/K)，则搜索的范围如下所示：

$\left\{\begin{array}{c}x:max(0,x-\mathrm{\Δ}t)~min(L,x+L-\mathrm{\Δ}t)\\ y:max(0,y-\mathrm{\Δ}t)~min(H,y+H-\mathrm{\Δ}t)\\ \mathrm{\Δ}t=max(L/K,H/K)\end{array}\right.$

另外，模板在搜索时，要遵循一定的移动规则，本发明中采用菱形搜索法，即是将传统的矩形搜索路径调整为菱形搜索。菱形搜索分为两种搜索模板，一个是大菱形搜索模板，另一个是小菱形搜索模板。搜索首先从初始位置开始计算大菱形搜索模板每个位置的匹配结果，如果结果最理想的位置不是在模板的中间，则一直搜索直到到达中间为止。重复上述的匹配过程直到最佳匹配位置位于大模板中心。接下来，以大菱形搜索模板的中心为基准使用小菱形搜索模板，计算每个小模板位置的匹配结果，所得的最佳结果即为全局最优结果。

(6)模板匹配。搜索策略制定好后，在做具体的模板匹配时，也要遵循一定的准则。匹配准则是针对块匹配运动估计算法而采用的一种衡量运动矢量好坏的方法，本发明采用最小均方误差准则进行模板匹配：

$MSE(k,l)=\frac{1}{N_1{N}_2}\underset{x=1}{\overset{N1}{\Σ}}\underset{y=1}{\overset{N2}{\Σ}}{\[s(x,y)-\stackrel{\‾}{s}(x+k,y+l)\]}^2$

其中s表示当前帧的图像子块，表示参考帧的图像子块；k和l分别表示图像子块水平方向和垂直方向的移动量,其最小单位是1个像素；N1和N2分别代表图像子块的宽度和高度。

(7)运动补偿。在通过基于自适应模板匹配的运动估计算法计算全局运动矢量时，为提高算法的准确率并减小局部像素运动方向差异导致的误差影响，采用多个模板进行运动估计。由模板匹配算法可以得到每一个模板的局部运动矢量，因此使用所有模板运动矢量的平均值作为图像的全局运动矢量，公式如下所示：

$G=\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{P}_i$

其中G表示全局运动矢量，P_i表示第i个模板的局部运动矢量，M为模板的数量。使用G作为全局补偿矢量对图像进行反向补偿即可消除图像抖动。

其中，所述步骤(1)中的背景获取时，由于环境随着时间和天气的变化会有较大的变化，因此需要对背景进行更新，确保后续的模板建立的可靠性。

其中，所述步骤(3)的匹配模板的建立中，由于背景图像会实时更新，因此需要对背景图像重新进行边缘检测，以保证模板匹配时是基于最新的背景边缘特征图。另外，模板的大小和数量要合适，模板太大、数量太多会导致匹配和搜索的计算量过大，致使视频出现卡顿不流畅现象，不利于事件检测的实时性；模板太小、数量过少的则稳像效果不理想。本发明推荐使用模板大小为长宽20个像素左右，数量为2到4个。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于边缘检测的自适应模板匹配算法，其特征在于，包括如下步骤：(1)从摄像设备中获取序列影像，并有用序列均值法进行背景建模获得一个“干净”的背景；

(2)用边缘检测算法提取出背景图像边缘、直线、纹理、角点的边缘特征；

(3)匹配模板建立，经过灰度二值化后，边缘特征在图中表示为“1”的像素，而空白区域则为“0”，建立模板的目标是选取背景边缘特征图中特征最明显的若干个区域，寻找特征最明显的区域即是求在模板大小范围内“1”的数量最多的若干个位置，假设模板左上角的坐标(x,y)为模板位置，则模板用如下公式表示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j);$

其中P(x,y)表示左上角以(x,y)为起点，在模板宽度L和高度H的范围内所有像素值的和，G(x,y)表示在整幅图像中，以(0,0)为起点，图像宽度M和高度N的范围内所有模板像素和的最大值，此时(x,y)位置的模板即为边缘特征最明显的模板；

(4)模板进行自适应调整，在系统初始化时记录车辆经过的轨迹，并通过权值法来确定模板的位置，即是通过给不同区域的像素点赋予不同的权值来确定模板的位置，公式如下所示：

$G(x,y)=max\left(\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}P\right(i,j\left)\right)$

$P(x,y)=\underset{i=x}{\overset{L}{\Σ}}\underset{j=y}{\overset{H}{\Σ}}t(i,j)$

$t(i,j)=\left\{\begin{array}{c}T1,d(i,j)\∉E(x,y)\\ T2,d(i,j)\∈E(x,y)\end{array}\right.;$

其中T1和T2分别表示不在轨迹覆盖区域和在轨迹覆盖区域的权值，若模板数量多于一个，在求出第一个模板位置之后，把这一点屏蔽掉，接着计算下一个模板位置；

(5)模板搜索，假设其中一个模板的位置为D(x,y)，宽度和高度分别为L、H，则首先要在当前图像位置D(x,y)附近一定范围内进行模板的搜索与匹配，根据视频抖动的剧烈程度给搜索的范围设定一个阈值，例如图像抖动的幅度一般小于L或H的K分之一的话，可以把阈值定为max(L/K,H/K)，则搜索的范围如下所示：

$\left\{\begin{array}{c}x:\max (0,x-\mathrm{\Δ}t)~\min (L,x+L-\mathrm{\Δ}t)\\ y:\max (0,y-\mathrm{\Δ}t)~\min (H,y+H-\mathrm{\Δ}t)\\ \mathrm{\Δ}t=\max (L/K,H/K)\end{array}\right.;$

(6)模板匹配，采用最小均方误差准则进行模板匹配：

$MSE(k,l)=\frac{1}{N_1{N}_2}\underset{x=1}{\overset{N_1}{\Σ}}\underset{y=1}{\overset{N_2}{\Σ}}{\[s(x,y)-\stackrel{\‾}{s}(x+k,y+l)\]}^2;$

其中s表示当前帧的图像子块，表示参考帧的图像子块；k和l分别表示图像子块水平方向和垂直方向的移动量，其最小单位是1个像素；N1和N2分别代表图像子块的宽度和高度；

(7)运动补偿，由模板匹配算法可以得到每一个模板的局部运动矢量，使用所有模板运动矢量的平均值作为图像的全局运动矢量，公式如下所示：

$G=\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{P}_i;$

其中G表示全局运动矢量，P_i表示第i个模板的局部运动矢量，M为模板的数量。使用G作为全局补偿矢量对图像进行反向补偿即可消除图像抖动。

2.根据权利要求1所述的基于边缘检测的自适应模板匹配算法，其特征在于，所述步骤(1)中的背景获取时，需要对背景进行更新。

3.根据权利要求1所述的基于边缘检测的自适应模板匹配算法，其特征在于，所述步骤(3)的匹配模板的建立中，需要对背景图像重新进行边缘检测。

4.根据权利要求1所述的基于边缘检测的自适应模板匹配算法，其特征在于，所述模板大小为长宽20个像素，数量为2到4个。

5.根据权利要求1所述的基于边缘检测的自适应模板匹配算法，其特征在于，模板在搜索时，采用菱形搜索法，菱形搜索分为两种搜索模板，一个是大菱形搜索模板，另一个是小菱形搜索模板，搜索首先从初始位置开始计算大菱形搜索模板每个位置的匹配结果，如果结果最理想的位置不是在模板的中间，则一直搜索直到到达中间为止；重复上述的匹配过程直到最佳匹配位置位于大模板中心，接下来，以大菱形搜索模板的中心为基准使用小菱形搜索模板，计算每个小模板位置的匹配结果，所得的最佳结果即为全局最优结果。