CN112926695A - 基于模板匹配的图像识别方法和系统 - Google Patents

Abstract

本发明提供一种基于模板匹配的目标识别方法和系统，包括：获取原始图像与模板图像后预处理；将预处理后的模板图像的每个像素与预处理后原始图像的像素采用预设匹配算法进行相似度的遍历匹配，得到模板图像的像素在原始图像中位置的概率值，绘制位置概率曲线；对位置概率曲线进行拐点算法计算，得到概率值的门限阈值；保留原始图像中相应位置概率值大于门限阈值的像素值。该方法将原始图像与模板图像进行逐像素的相似度匹配，然后根据得到的概率曲线计算得到自适应概率阈值，将识别出的大于所述概率阈值的概率曲线上的所有对应的像素作为识别结果并显示在所述原始图像上，能够准确识别出原始图像中的目标物的数量和具体位置，识别的准确度高。

Description

基于模板匹配的图像识别方法和系统

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于模板匹配的图像识别方法和系统。

背景技术

在机器视觉、图像识别领域，某些开源库中存在一些模板匹配算法及实现，例如opencv中的modelMatch，但主要是完全匹配，某些情况下不太满足实际特定的直接应用场景，例如，需要根据具体环境和情况设置参数、调整，并且不一定能给出需求的识别结果，即使给出一些数据也需要进行一些重新的处理，甚至难以得到想要的需求结果，例如可能会得到一些相似度数据，但没有一个确切的分界标定值，需要人工去设置参数和调节筛选后处理。另外一些需要对模型的复杂训练，使用过程需要大量数据且使用门槛高，并且需要一定的算力，同时，需要了解与直接使用需求效果不太相关的一些技术细节。

但是在实际的应用场景的实现过程中，往往需要能够符合或更适配满足其实际领域的特定需求。该识别方法不需要了解太多技术细节，也不需要大量数据、复杂的训练，也可以自动适应调整设置参数，例如相似度阈值。基本不需要了解非需求效果相关的其他额外细节，适应实际的具体确切应用场景，能够给出直接需要的识别结果。

发明内容

为了能够使得机器视觉算法能够更加符合或者更适配实际领域的特定需求，且不需要了解太多的技术细节，也不需要大量数据、复杂的训练，可以自适应调整参数，更加准确的直接识别出需要的识别结果。本发明实施例提供一种基于模板匹配的图像识别方法、系统、设备和计算机可读存储介质，该方法将包括有目标物的原始图像与模板图像进行逐像素的相似度匹配，计算匹配概率曲线，然后根据得到的概率曲线计算得到自适应概率阈值，将识别出的大于所述概率阈值的概率曲线上的所有对应的像素作为识别结果并显示在所述原始图像上，从而能够准确识别出原始图像中的目标物的数量和具体位置。其具体技术方案如下：

本发明实施例提供一种基于模板匹配的目标识别方法，包括步骤：

获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；

将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；

对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；

保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。

进一步的，对所述原始图像与模板图像进行预处理包括，对所述原始图像与模板图像进行补边。

进一步的，所述将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，包括步骤：

将所述模板图像中的每个模板像素分别遍历所述原始图像中的每个原始像素；

采用局部山峰分析选择法，分析以所述原始像素为中心的预设范围内，与所述模板像素相似度最高点的概率值作为所述模板图像的像素在所述原始图像中位置的概率值。

进一步的，所述局部山峰分析选择法包括边长范围匹配法、描述计量范围匹配法、目标的计量范围统计法、目标的半径范围匹配法、反向加速匹配法。

进一步的，所述对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值，具体包括：

对所述位置概率曲线的原始数据进行第一次滤波；

对滤波后的位置概率曲线进行一阶差分求导；

对一阶差分求导后的离散数据进行第二次滤波；

对第二次滤波的离散数据进行二阶差分求导；

取出所有2阶差分离散数据中负值的绝对值；

对所述绝对值滤波除去所有低波动噪点；

从右开始取最大的拐点作为所述概率值的门限阈值。

进一步的，所述第一次滤波和所述第二次滤波为均值滤波。

进一步的，还包括将所述原始图像和所述模板图像进行RGB三通道提取，分别将提取的三通道与所述模板进行相似度匹配。

本发明的第二方面提供一种基于模板匹配的目标识别系统，包括：获取模块、匹配模块、门限阈值计算模块和识别模块；

其中，所述获取模块用于获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；

匹配模块，用于将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；

门限阈值计算模块，用于对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；

识别模块，用于保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。

本发明实施例的第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器处理上述所述的基于模板匹配的目标识别方法的步骤。

本发明的第四方面提供一种电子设备，该电子设备包括：

处理器；以及，

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述所述基于模板匹配的目标识别的方法。

本发明实施例提供的一种基于模板匹配的目标识别方法，包括：获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。该方法将包括有目标物的原始图像与模板图像进行逐像素的相似度匹配，计算匹配概率曲线，然后根据得到的概率曲线计算得到自适应概率阈值，将识别出的大于所述概率阈值的概率曲线上的所有对应的像素作为识别结果并显示在所述原始图像上，从而能够准确识别出原始图像中的目标物的数量和具体位置。

附图说明

图1为本发明实施例1提供的一种基于模板匹配的目标识别方法流程图；

图2为本发明实施例1提供的一种基于模板匹配的目标识别方法的遍历匹配示意图；

图3示出了根据本发明一个实施例的电子设备的结构示意图；

图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图；

图中：1-模板图像的像素；2-原始图像的像素；3-补边的像素；31-处理器；32-存储器；33-存储空间；34-程序代码；41-程序代码。

具体实施方式

以下结合附图对本发明进行说明，但不用来限制本发明的范围。

参见图1为本发明实施例1提供的一种基于模板匹配的目标识别方法流程图，包括步骤：

S1获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像。

上述原始图像是指用于识别目标物体的图像，该图像上包括目标物体，且目标物体(也可称为目标物)的个数至少为1个；例如，可以是包括有游艇的海面图像，且图像中的海艇数量至少为1个。上述模板图像是用以作为模板、供所述原始图像做对比的图像，该模板图像是目标物体的图像；如果以上述海面和海艇的例子为例子，那么海艇图像就是模板图像。为了避免后续处理过程中出现一些数据读取错误，需要先对原始图像与模板图像进行预处理，在本发明实施例中，该预处理包括图像的噪声处理、图像数据的增强处理、补边处理(参见图2中的补边像素3)等视情况而采用相应的处理，在此不做具体限定。

S2将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线。

在本发明实施例中，上述概率值即模板图像中的像素与原始图像的像素的相似度值。上述位置的概率值是指在模板图像的某一像素的预设范围内相似度值最大的像素在原始图像中的位置即为模板图像在原始图像种的位置。

在本发明实施例中，将模板图像中的像素逐个与原始图像中的像素进行相似度匹配，通过确定对应位置的灰度不同累计来体现差异计量相似度。具体来说，包括如下步骤：

将所述模板图像中的每个模板像素分别遍历所述原始图像中的每个原始像素；

采用局部山峰分析选择法，分析以所述原始像素为中心的预设范围内，与所述模板像素相似度最高点的概率值作为所述模板图像的像素在所述原始图像中位置的概率值。

上述局部山峰分析选择法是指在原点视角所在范围内，寻找具备在模板像素附近相似度最高的点。上述附近可理解为在某一具体像素位置的附近。参见图2为本发明实施例1提供的一种基于模板匹配的目标识别方法的遍历匹配示意图，图中，模板图像的像素1在原始图像的第一个位置的像素开始，逐个往后遍历，计算模板图像的像素1和原始图像的像素2之间的第一相似度，以所述模板图像的像素位置为中心，分析该位置周围的像素与原始图像的像素之间的第二相似度，然后比较第一相似度和第二相似度中最大相似度，以最大相似度作为识别结果。采用上述识别方法，识别出与模板图像中的每个像素在原始图像中的相似度达到预设值的像素，识别出的所有像素组成的图像作为识别出模板图像。以局部山峰分析选择法找出识别出的模板图像中的像素的相似度值作为位置概率值，位置概率值作为所述模板图像的像素在所述原始图像中位置的概率值。

得到所述模板图像的像素在所述原始图像中位置的概率值，该概率值其实就是模板图像的像素和该位置的原始图像的像素的相似度，绘制位置概率曲线；该位置概率曲线的横坐标为原始像素的位置(也可称为点序号)，纵坐标为概率值。把所有点的可能性从低到高排序，得到一条可能性概率曲线，该曲线就是位置概率曲线。

在本发明实施例中，上述局部山峰分析选择法包括边长范围匹配法、描述计量范围匹配法、目标的计量范围统计法、目标的半径范围匹配法、反向加速匹配法，包括但不限于上述具体匹配方式。

通过区域范围内相似度最高的点表示目标的存在可能性，根据匹配得到的结果，将原本的可能性概率在目标位置呈现。

在本发明实施例中，为了实现完全并行计算的加速方法，可以实现理论上无限倍率的分块计算加速，极高提升运算效率，这种方法同样适用于高速需求的其他场景，例如超高速视频流或超高分辨率与图像特征内容视频监控的实时分析。

上述反向加速匹配法，具备可在多内存域读取和写入过程阶段，具体过程为：

过程阶段a：读取内存域a原有附近的数据(在这个过程中a内存域被读取，但没有被写入)。

过程阶段b：判断内存域a原有附近的数据是否存在高于自身的地方，如果有，则在内存域b中不标记为1.如果没有，在内存域b中作标记为1。上述意义为表示其是否在相邻中为最高，包括但不限于上述方法及具体方式细节(在这个过程中，b内存被写入，但没有被读取)。

过程阶段c：得到各点对应的位置，如果使用了类似原本符合二维图像像素位置的数据结构，则可直接用确保过程阶段b过程完成后得到的点(并且处理图像的边角点，也可用与过程阶段b反向操作的清楚方式，例如：最开始将所有非边角覆盖区域的点写作1，对所有非边角区域覆盖的点进行与过程阶段b相反的操作，如果没有就写0，如果有就不写。处理边角方法可以包括但不限于上述方式)。

S3对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值。

上述对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值，具体包括：

对所述位置概率曲线的原始数据进行第一次滤波；

对滤波后的位置概率曲线进行一阶差分求导；

对一阶差分求导后的离散数据进行第二次滤波；

对第二次滤波的离散数据进行二阶差分求导；

取出所有2阶差分离散数据中负值的绝对值；

对所述绝对值滤波除去所有低波动噪点；

从右开始取最大的拐点作为所述概率值的门限阈值。

上述第一次滤波和所述第二次滤波为均值滤波。

把所有点x的可能性从低到高排序，得到一条位置概率曲线，这个过程的数学意义应当由绝对理想的实数描述，求其二次微分为0的点。但一般来说这些点是离散的，所以近似模拟绝对理想实数描述在数学意义上的计量效果，即其离散二次微分可能不一定为0，但根据其求到的x坐标可能为关键拐点(可能求得多个拐点，但多个拐点不一定为关键拐点)。这里的“关键拐点”(不是数学意义上的拐点意义)，即一个“临界门限点”，这个点将被用于自动阈值的一个范围限定的相关求解。(例如后续过程中可能给出对大概数量的限定或推荐参照可能范围，根据推荐范围等信息可以进一步自动优化结果，但即使不给出限定范围，也不影响全自动无参数识别)。

S4保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。

由所述自动阈值的范围限定，得到一个优选的门限阈值，求得门限阈值后，将相似度高于或达到门限阈值的内容作为识别结果，若出现在正常视角(例如上述最开始过程未进行高斯模糊处理的)的不被允许(使用者决定它是否被允许)的覆盖或重复内容，则可通过一种不影响图像特征的方法(例如高斯模糊)处理生成其它图案再进行对比，选更高相似度的位置，其它不呈现在“目标位置指示”中，或用其它方法去除或保留(例如在半径范围内只要出现，就全部去掉；再或者任意留一个，再或者用其中心位置表示，包括但不限于上述内容，具体细节不在本描述中阐述)。

本发明实施例提供的一种基于模板匹配的目标识别方法，包括：获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。该方法将包括有目标物的原始图像与模板图像进行逐像素的相似度匹配，计算匹配概率曲线，然后根据得到的概率曲线计算得到自适应概率阈值，将识别出的大于所述概率阈值的概率曲线上的所有对应的像素作为识别结果并显示在所述原始图像上，从而能够准确识别出原始图像中的目标物的数量和具体位置。

本发明的第二方面提供一种基于模板匹配的目标识别系统，包括：获取模块、匹配模块、门限阈值计算模块和识别模块；

其中，所述获取模块用于获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；

匹配模块，用于将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；

门限阈值计算模块，用于对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；

识别模块，用于保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。

本发明实施例的第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器处理上述所述的基于模板匹配的目标识别方法的步骤。

本发明的第四方面提供一种电子设备，该电子设备包括：

处理器；以及，

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述所述基于模板匹配的目标识别的方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器31和被安排成存储计算机可执行指令(程序代码)的存储器32。存储器32可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器32具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码34的存储空间33。例如，用于存储程序代码的存储空间33可以包括分别用于实现上面的方法中的各种步骤的各个程序代码34。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。该计算机可读存储介质可以具有与图3的电子设备中的存储器32类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储空间存储有用于执行根据本发明的方法步骤的程序代码41，即可以有诸如处理器31读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于模板匹配的目标识别方法，其特征在于，包括步骤：

获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；

将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；

对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；

保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。

2.根据权利要求1所述的基于模板匹配的目标识别方法，其特征在于，对所述原始图像与模板图像进行预处理包括，对所述原始图像与模板图像进行补边。

3.根据权利要求1所述的基于模板匹配的目标识别方法，其特征在于，所述将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，包括步骤：

将所述模板图像中的每个模板像素分别遍历所述原始图像中的每个原始像素；

采用局部山峰分析选择法，分析以所述原始像素为中心的预设范围内，与所述模板像素相似度最高点的概率值作为所述模板图像的像素在所述原始图像中位置的概率值。

4.根据权利要求3所述的基于模板匹配的目标识别方法，其特征在于，所述局部山峰分析选择法包括边长范围匹配法、描述计量范围匹配法、目标的计量范围统计法、目标的半径范围匹配法、反向加速匹配法。

5.根据权利要求1所述的基于模板匹配的目标识别方法，其特征在于，所述对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值，具体包括：

对所述位置概率曲线的原始数据进行第一次滤波；

对滤波后的位置概率曲线进行一阶差分求导；

对一阶差分求导后的离散数据进行第二次滤波；

对第二次滤波的离散数据进行二阶差分求导；

取出所有2阶差分离散数据中负值的绝对值；

对所述绝对值滤波除去所有低波动噪点；

从右开始取最大的拐点作为所述概率值的门限阈值。

6.根据权利要求5所述的基于模板匹配的目标识别方法，其特征在于，所述第一次滤波和所述第二次滤波为均值滤波。

7.根据权利要求1所述的基于模板匹配的目标识别方法，其特征在于，还包括将所述原始图像和所述模板图像进行RGB三通道提取，分别将提取的三通道与所述模板进行相似度匹配。

8.一种基于模板匹配的目标识别系统，其特征在于，包括：获取模块、匹配模块、门限阈值计算模块和识别模块；

其中，所述获取模块用于获取包括有目标物的原始图像与模板图像，并进行预处理，所述模板图像是目标物的图像；

匹配模块，用于将预处理后的模板图像中的每个像素与预处理后的原始图像的像素采用预设的匹配算法进行相似度的遍历匹配，得到所述模板图像的像素在所述原始图像中位置的概率值，并绘制位置概率曲线；

门限阈值计算模块，用于对所述位置概率曲线进行拐点算法计算，得到所述概率值的门限阈值；

识别模块，用于保留所述原始图像中相应位置的概率值大于所述门限阈值的像素值，作为识别结果。

9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器处理上述所述的基于模板匹配的目标识别方法的步骤。

10.一种电子设备，该电子设备包括：

处理器；以及，

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述所述基于模板匹配的目标识别的方法。

Images