在机器视觉应用中，经常需要对图像进行仿射变换。
1、在基于参考的视觉检测中，由于待检图像与参考图像或多或少都会存在几何变化(平移、旋转、缩放等)，所以在做比较之前一般都要对待检图像进行仿射变换以对齐图像。
2、要进行仿射变换，必须先获取变换矩阵，形状匹配是获取变换矩阵的一种高效的方法。
3、Halcon的如下几个函数是专门用于计算变换矩阵的：
vector_angle_to_rigid：Computearigidaffinetransformationfrompointsandangles.
vector_to_rigid：Approximatearigidaffinetransformationfrompointcorrespondences.
vector_to_similarity：Approximateansimilaritytransformationfrompointcorrespondences.
vector_to_hom_mat2d：Approximateanaffinetransformationfrompointcorrespondences.
4、Halcon中用于形状匹配的函数有：
find_shape_model：Findthebestmatchesofashapemodelinanimage.
find_shape_models：Findthebestmatchesofmultipleshapemodels.
find_scaled_shape_model：Findthebestmatchesofascaleinvariantshapemodelinanimage.
find_scaled_shape_models：Findthebestmatchesofmultiplescaleinvariantshapemodels.
5、单匹配计算刚性变换矩阵：vector_angle_to_rigid只需要一个点对及一个角度对即可计算刚性变换矩阵，所以可直接利用find_shape_model的结果，但精度可能稍低。
6、双匹配计算刚性变换矩阵：vector_to_rigid需要至少两个点对的支持，所以需要用两次find_shape_model或用一次find_shape_models，精度会比单匹配高，但仍局限于刚性变换。
7、双匹配计算相似变换矩阵：vector_to_similarity用于计算相似变换矩阵，需要至少两个点对的支持，所以需要用两次find_scaled_shape_model或用一次find_scaled_shape_models。
8、三匹配计算一般变换矩阵：vector_to_hom_mat2d用于计算一般的其次变换矩阵，需要至少三个点对的支持，所以需要用三次find_scaled_shape_model或用一次find_scaled_shape_models。
9、综上，在不同情况下，选用相应的变换矩阵类型、形状匹配方法，可以达到事半功倍的效果！
create_shape_model
创建模板，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓；
create_shape_model_xld
find_shape_model
它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。
vector_angle_to_rigid
affine_trans_contour_xld
找到之后，还需要对其进行转化，使之能够显示，这两个函数vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的结果中对构造一个刚体仿射变换很有用，把参考图像变为当前图像
基于形状匹配的参数关系与优化
在HALCON的说明资料里讲到了这些参数的作用以及关系，在上面提到的文章中也作了介绍，这里主要是重复说明一下这些参数的作用，再强调一下它们影响匹配速度的程度；
在为了提高速度而设置参数之前，有必要找出那些在所有测试图像中匹配成功的设置，这时需考虑以下情况：
① 必须保证物体在图像边缘处截断，也就是保证轮廓的清晰，这些可以通过形态学的一些方法来处理；
② 如果Greediness值设的太高，就找不到其中一些可见物体，这时最后将其设为0来执行完全搜索；
③ 物体是否有封闭区域，如果要求物体在任何状态下都能被识别，则应减小MinScore值；
④ 判断在金字塔最高级上的匹配是否失败，可以通过find_shape_model()减小NumLevels值来测试；
⑤ 物体是否具有较低的对比度，如果要求物体在任何状态下都能被识别，则应减小MinContrast值；
⑥ 判断是否全局地或者局部地转化对比度极性，如果需要在任何状态下都能被识别，则应给参数Metric设置一个合适的值；
⑦ 物体是否与物体的其他实例重叠，如果需要在任何状态下都能识别物体，则应增加MaxOverlap值；
⑧ 判断是否在相同物体上找到多个匹配值，如果物体几乎是对称的，则需要控制旋转范围；
如何加快搜索匹配，需要在这些参数中进行合理的搭配，有以下方法可以参考：
① 只要匹配成功，则尽可能增加参数MinScore的值；
② 增加Greediness值直到匹配失败，同时在需要时减小MinScore值；
③ 如果有可能，在创建模板时使用一个大的NumLevels，即将图像多分几个金字塔级；
④ 限定允许的旋转范围和大小范围，在调用find_shape_model()时调整相应的参数；
⑤ 尽量限定搜索ROI的区域；
除上面介绍的以外，在保证能够匹配的情况下，尽可能的增大Greediness的值，因为在后面的实验中，用模板匹配进行视频对象跟踪的过程中，这个值在很大程度上影响到匹配的速度。
当然这些方法都需要跟实际联系起来，不同图像在匹配过程中也会有不同的匹配效果，在具体到某些应用，不同的硬件设施也会对这个匹配算法提出新的要求，所以需要不断地去尝试。
