1.产品简介：

模板匹配被认为是计算机视觉中的核心任务之一，因为它是找到许多对应识别问题的解决方案的基础，例如视觉跟踪、物体检测和三维重建。模板匹配通常使用滑动窗口方式来执行，即，通过使用相似性测量方法将图像中所有可能的斑块与模板进行比较。早期的模板匹配方法采用相似性度量，如平方差之和(SSD)、绝对差之和(SAD)和归一化互相关(NCC) 。尽管使用这种相似性度量的模板匹配方法效率高，但是这种方法对于对象变形和部分遮挡的情况匹配效果不好。本团队提出了一种基于深度卷积特征的鲁棒高效模板匹配方法。

2.服务内容：

本团队提出了一种基于深度卷积特征的鲁棒高效模板匹配方法。该方法的独到之处在于它基于一种尺度自适应的特征提取方法。这种方法基于卷积神经网络（Convolutional Neural Networks, CNN），即CNN的每一层都代表实际图像内容的不同层次的深层特征。为了保持特征的可伸缩性，我们自适应地从一层CNN中提取模板和输入图像的深层特征向量。通过使用这种图像内容的可缩放和深度表示，我们试图通过使用被称为归一化互相关(normalized cross-correlation，NCC)的有效相似性测量技术来测量模板和输入图像的特征之间的相似性来解决模板匹配。使用NCC有助于避免由滑动窗口方法引起的相邻面片的冗余计算。结果所提出的方法实现了最先进的模板匹配性能，并且与目前已有的模板匹配算法比较，对于模板变形、模板明暗变化大和模板不完整的匹配效果获得很大提高，具有广泛的应用价值。

3.服务流程：

按两种方式：

1）提供算法原理和源代码

2）提供算法原理和源代码 ，并且按照买家需求优化算法

4.服务团队：

包括教授1人，高工1人，硕士研究生3人

5.服务工具：

编程语言python

6.服务标准：

基本算法20万，其它附加服务面谈

7.服务成效：

满足买家需要

8.收费标准及收费依据：

基本算法20万， 其它按人天收费

教授，高工为 1000元/人天

硕士研究生为 500元/人天