1. 从“找茬”到自动化为什么我们需要模板匹配如果你玩过“大家来找茬”这类游戏或者曾经在两张看似相同的图片里费力地寻找那几处细微的不同那么恭喜你你已经体验过图像匹配最原始的手动版本。而在工业质检、文档识别、自动驾驶感知甚至是游戏外挂检测当然我们不鼓励后者等无数场景中这种“找相同”或“找不同”的需求被放大到了工业级。人眼在重复、枯燥且高精度的比对任务上不仅效率低下而且极易疲劳出错。这时我们就需要将这项任务交给计算机而模板匹配Template Matching正是实现这一目标的“入门级神技”。简单来说模板匹配就像是你拿着一个小图章模板在一张大地图源图像上滑动不断比对寻找和小图章图案最吻合的那个区域。这个过程完全由程序自动完成速度极快精度可控。而Python加上OpenCV这个计算机视觉库则是实现这套流程最经典、最易上手的组合。Python语法简洁OpenCV功能强大且接口友好让即使不是计算机视觉科班出身的开发者也能快速搭建起自己的图像识别小工具。我最初接触模板匹配是为了做一个简单的工业零件定位项目。产线上传送带过来的零件照片需要快速判断某个特定特征比如一个螺丝孔、一个商标logo是否出现在正确位置。手动标注和肉眼检查根本不可能跟上生产节拍。用OpenCV的模板匹配几十行代码就搞定了核心的定位功能效果和稳定性远超预期。这让我深刻体会到有时候解决复杂问题未必需要动用深度学习那种“大炮”一把精准的“手术刀”往往更高效、更直接。接下来我将带你从零开始彻底搞懂模板匹配的原理、在OpenCV中的各种实现方法、每一步代码背后的意图以及那些官方文档里不会告诉你的实战坑点和调优技巧。无论你是想为你的机器人项目添加“眼睛”还是想自动化处理一些重复的图片审核工作这篇文章都能给你一套可直接“抄作业”的完整方案。2. 模板匹配的核心原理不仅仅是“滑动窗口”那么简单很多人把模板匹配理解为一个简单的“滑动窗口像素比对”过程这虽然形象但忽略了其数学本质和多样性。理解原理是后续灵活运用和排错的基础。2.1 数学本质衡量两个图像块的相似度模板匹配的核心是定义一个相似性度量函数。这个函数接收两个大小相同的图像块一个是模板T一个是源图像I中当前正在比对的子区域I‘然后输出一个数值用来表示它们的相似程度。OpenCV提供了多种度量方法主要分为两类基于相关的方法数值越大表示越相似。例如cv2.TM_CCORR互相关。基于差异的方法数值越小表示越相似。例如cv2.TM_SQDIFF平方差。这里以最常用的归一化互相关匹配cv2.TM_CCOEFF_NORMED为例它的公式虽然看起来复杂但思想很直观它计算的是两个图像块之间标准化后的协方差。其值范围在-1到1之间。1表示两个图像块完全正相关一模一样。-1表示两个图像块完全负相关颜色完全相反。0表示没有线性关系。为什么推荐使用归一化的方法如TM_CCOEFF_NORMED,TM_CCORR_NORMED,TM_SQDIFF_NORMED因为图像的整体亮度变化会影响匹配结果。比如同一个模板在亮区拍的照片和暗区拍的照片像素绝对值差异很大。归一化过程消除了亮度的影响只关注图案结构的相关性使匹配结果对光照变化更具鲁棒性。这是实践中非常重要的一个知识点。2.2 匹配过程遍历、计算与定位理解了度量方法整个过程就清晰了遍历将模板图像T的左上角依次对准源图像I上的每一个像素点考虑边界实际可移动位置是(I.width - T.width 1, I.height - T.height 1)。计算在每个对齐位置上根据选定的度量方法计算模板T与源图像I当前覆盖的子区域的相似度得分。生成响应图将所有位置的得分存储在一个新的矩阵通常称为响应图或结果矩阵R中。R的大小就是上述可移动位置的范围。定位在响应图R中寻找极值点最大值或最小值取决于度量方法。该点在R中的坐标(x, y)对应了模板左上角在源图像I中的最佳匹配位置。注意响应图R的每个像素值代表的是以源图像该点为模板左上角时计算出的相似度。这是一个关键概念后续绘制矩形框时需要用到。2.3 多尺度与多角度匹配的局限性这是模板匹配的天然短板也是决定其适用场景的关键。标准的模板匹配不具备尺度不变性和旋转不变性。尺度问题如果你的模板是100x100像素而源图像中的目标物体是120x120像素那么直接匹配效果会很差甚至完全失败。你必须预先知道目标的大致尺度或者采用图像金字塔多尺度策略在多个缩放级别上分别进行匹配。旋转问题同样如果目标发生了旋转模板匹配也会失效。你需要预先估计角度或者以一定步长旋转模板进行多角度匹配。因此模板匹配最适合应用在目标物体大小、方向基本固定的场景比如固定摄像头下的产品定位、屏幕固定区域的图标识别等。3. 手把手实战用OpenCV实现单目标匹配理论说得再多不如一行代码。我们从一个最简单的例子开始在一张图中找到一个特定的Logo。3.1 环境准备与基础代码骨架首先确保你的Python环境已经安装了OpenCV。如果你还没安装可以通过pip快速安装pip install opencv-python如果你需要用到OpenCV的额外模块如SIFT虽然在本例中模板匹配用不到可以安装opencv-contrib-python。基础的代码骨架如下我们后续的讲解将填充这个骨架的每一部分import cv2 import numpy as np # 1. 读取图像 img cv2.imread(source_image.jpg) # 源图像大图 template cv2.imread(template_logo.png) # 模板图像小图 img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) template_gray cv2.cvtColor(template, cv2.COLOR_BGR2GRAY) # 2. 获取模板尺寸 h, w template_gray.shape # 3. 执行模板匹配 method cv2.TM_CCOEFF_NORMED res cv2.matchTemplate(img_gray, template_gray, method) # 4. 定位最佳匹配位置 min_val, max_val, min_loc, max_loc cv2.minMaxLoc(res) # 根据方法选择最佳点 if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]: top_left min_loc else: top_left max_loc bottom_right (top_left[0] w, top_left[1] h) # 5. 绘制矩形框并显示 cv2.rectangle(img, top_left, bottom_right, (0, 0, 255), 2) cv2.imshow(Detected, img) cv2.waitKey(0) cv2.destroyAllWindows()3.2 关键步骤深度解析与避坑指南步骤1读取与灰度化为什么用灰度图模板匹配的核心是比对图案结构。彩色图像有三个通道B, G, R直接匹配计算量是三倍且颜色信息可能因光照变化而不稳定。转换为单通道灰度图既保留了主要的边缘和纹理信息又大幅提升了计算速度是标准做法。在绝大多数情况下灰度匹配已经足够。避坑点确保你的template尺寸小于img尺寸否则cv2.matchTemplate会直接报错。在实际项目中建议加入断言检查assert template.shape[0] img.shape[0] and template.shape[1] img.shape[1], “Template must be smaller than source image.”步骤2cv2.matchTemplate函数详解res cv2.matchTemplate(image, templ, method[, result])image源图像必须是8位或32位浮点型。我们传入灰度图。templ搜索的模板必须不大于源图像且具有相同的数据类型。method匹配方法。这是我们之前讨论的度量方法。我强烈建议初学者从cv2.TM_CCOEFF_NORMED开始它对光照变化有较好的鲁棒性。返回值res这就是生成的响应图Result Map。它是一个单通道浮点型图像尺寸为(W - w 1, H - h 1)。记住它的每个点对应模板左上角的位置。步骤3解读cv2.minMaxLoc结果min_val, max_val, min_loc, max_loc cv2.minMaxLoc(res)这个函数在响应图res中寻找全局最小值和最大值及其位置。min_val,max_val最小值和最大值。对于TM_SQDIFF类方法最小值点是最佳匹配对于TM_CCOEFF和TM_CCORR类方法最大值点是最佳匹配。min_loc,max_loc对应最小值和最大值的坐标(x, y)。这个坐标是在响应图res中的坐标直接对应源图像中模板左上角的像素位置。步骤4计算矩形框的正确姿势这是新手最容易出错的地方之一。top_left我们已经从minMaxLoc中得到了。那么右下角bottom_right呢bottom_right (top_left[0] w, top_left[1] h)这里用的w和h是模板的宽和高。因为top_left是模板左上角贴在源图上的位置加上模板的尺寸自然就得到了模板覆盖区域的右下角。千万不要误用响应图res的尺寸。步骤5可视化与阈值判断直接画出矩形可能不够。在真实应用中我们通常需要设定一个置信度阈值来判断是否真的匹配成功。# 使用 TM_CCOEFF_NORMED 时阈值可以设为0.7或0.8 threshold 0.8 if max_val threshold: # 匹配成功画框 cv2.rectangle(img, top_left, bottom_right, (0, 255, 0), 2) print(f匹配成功置信度{max_val:.3f}) else: print(f未找到匹配目标最高置信度{max_val:.3f})阈值的设置需要根据你的具体图像和模板通过实验确定。可以通过在测试集上计算匹配得分的分布来找到一个合理的分界点。4. 进阶技巧处理多目标匹配与噪声干扰现实世界的图像 rarely很少是干净的。一个模板可能在图中出现多次多目标图像也可能存在噪声、模糊或部分遮挡。标准的单点匹配就不够用了。4.1 如何找出图像中所有匹配位置cv2.minMaxLoc()只返回全局极值点。要找到所有超过阈值的匹配点我们需要在响应图res上进行“滑动窗口非极大值抑制”。方法使用np.where筛选并去重import cv2 import numpy as np # ... 前面读取图像、灰度化、匹配的代码 ... method cv2.TM_CCOEFF_NORMED res cv2.matchTemplate(img_gray, template_gray, method) threshold 0.8 # 找出所有大于阈值的位置 loc np.where(res threshold) # loc是一个元组包含两个数组y坐标数组和x坐标数组 points list(zip(*loc[::-1])) # 转换为(x, y)坐标列表 # 简单的非极大值抑制NMS去重 # 因为模板滑动时在目标物体附近会产生多个高响应点我们需要合并它们 def nms_simple(points, w, h, min_distance20): 简单的非极大值抑制。 points: 候选点列表 [(x1,y1), (x2,y2), ...] w, h: 模板的宽和高 min_distance: 认为两个框是同一个目标的最小中心点距离 if not points: return [] # 按置信度排序这里假设points来自同一阈值实际应按res中的值排序 # 为了简单我们按顺序处理 final_points [] while len(points) 0: # 取出第一个点作为当前基准 current points.pop(0) final_points.append(current) # 找出与当前点距离过近的点移除它们 to_remove [] for i, pt in enumerate(points): # 计算两个矩形中心点的距离 center_current (current[0] w//2, current[1] h//2) center_pt (pt[0] w//2, pt[1] h//2) distance np.sqrt((center_current[0]-center_pt[0])**2 (center_current[1]-center_pt[1])**2) if distance min_distance: to_remove.append(i) # 从后往前删除避免索引错乱 for idx in sorted(to_remove, reverseTrue): points.pop(idx) return final_points filtered_points nms_simple(points, w, h, min_distancemin(w, h)//2) # 在源图上画出所有找到的框 for pt in filtered_points: top_left pt bottom_right (pt[0] w, pt[1] h) cv2.rectangle(img, top_left, bottom_right, (0, 255, 0), 2) cv2.imshow(Multi-Match, img) cv2.waitKey(0)这段代码的关键在于np.where(res threshold)它得到了所有符合条件的像素坐标。但由于相邻像素可能都超过阈值我们还需要一个去重NMS步骤否则一个目标上会画出几十个重叠的框。上面的nms_simple函数是一个简化版在实际工业项目中你可能需要使用更严谨的NMS算法或者直接使用OpenCV的cv2.groupRectangles函数。4.2 应对噪声、模糊与部分匹配的策略当图像质量不佳时直接匹配的置信度会下降甚至产生误匹配。策略一图像预处理是王道在匹配前对源图像和模板进行一致的预处理可以极大提升稳定性。高斯模糊cv2.GaussianBlur()。轻微的模糊可以抑制高频噪声让匹配更关注整体结构而非噪点。但过度模糊会丢失细节。直方图均衡化cv2.equalizeHist()。增强图像对比度特别是在光照不均的情况下。边缘检测cv2.Canny()。有时直接匹配边缘图比匹配灰度图更抗光照变化。你可以将模板和源图都先转换为Canny边缘图再进行匹配。# 预处理示例模糊边缘检测 img_blur cv2.GaussianBlur(img_gray, (5,5), 0) template_blur cv2.GaussianBlur(template_gray, (5,5), 0) img_edges cv2.Canny(img_blur, 50, 150) template_edges cv2.Canny(template_blur, 50, 150) # 然后使用 img_edges 和 template_edges 进行匹配策略二使用掩模Mask进行局部匹配如果你的模板中只有一部分区域是重要的、稳定的特征比如一个带透明背景的图标只有图标本身是有效的可以使用掩模来告诉匹配算法“只计算这些白色区域的相关性”。# 假设我们有一个和template同样尺寸的二值掩模图 mask.png感兴趣区域为白色255 mask cv2.imread(mask.png, cv2.IMREAD_GRAYSCALE) # OpenCV的matchTemplate部分方法支持掩模 res cv2.matchTemplate(img_gray, template_gray, cv2.TM_CCORR_NORMED, maskmask)注意并非所有匹配方法都支持掩模参数。TM_SQDIFF和TM_CCORR_NORMED通常支持较好。使用前需查阅对应OpenCV版本的文档。策略三多模板与投票机制如果目标物体可能存在多种状态如开关的“开”和“关”或者单个模板不够鲁棒可以准备多个模板。对同一个源图用多个模板分别进行匹配然后综合所有结果例如取最高分或投票决定可以提高系统的容错率。5. 性能优化与工程化考量当图像很大或者需要在视频流中实时匹配时性能就成为关键问题。5.1 加速匹配ROI与图像金字塔ROIRegion of Interest感兴趣区域如果你知道目标大致会出现在图像的某个区域就不要在全图搜索。先划定一个ROI在这个小区域内进行匹配可以大幅减少计算量。# 假设目标大致在图像中央区域 x, y, roi_w, roi_h 100, 100, 400, 300 roi img_gray[y:yroi_h, x:xroi_w] # 在roi上进行匹配 res_roi cv2.matchTemplate(roi, template_gray, method) # 注意找到的坐标是相对于roi的需要转换回原图坐标 top_left_in_roi max_loc # 假设使用最大值方法 top_left_in_img (top_left_in_roi[0] x, top_left_in_roi[1] y)图像金字塔Image Pyramid这是一种经典的多尺度搜索加速技术。思路是先在缩小的低分辨率图像上进行快速、粗糙的匹配定位到大致的区域然后只在对应的高分辨率区域进行精细匹配。def pyramid_match(img, template, scale_step0.8, start_scale0.2, stop_scale1.0): 简单的图像金字塔匹配演示 found None # 从最小尺度开始搜索 for scale in np.arange(start_scale, stop_scale, scale_step): # 按当前尺度缩放源图像 scaled_width int(img.shape[1] * scale) scaled_height int(img.shape[0] * scale) if scaled_width template.shape[1] or scaled_height template.shape[0]: break # 缩放后图像比模板还小停止 scaled_img cv2.resize(img, (scaled_width, scaled_height)) # 在当前尺度下匹配 res cv2.matchTemplate(scaled_img, template, cv2.TM_CCOEFF_NORMED) _, max_val, _, max_loc cv2.minMaxLoc(res) # 记录最佳匹配的尺度、位置和置信度 if found is None or max_val found[0]: found (max_val, max_loc, scale) if found is not None: max_val, max_loc, scale found # 将低分辨率下的位置映射回原图坐标 start_x int(max_loc[0] / scale) start_y int(max_loc[1] / scale) end_x int((max_loc[0] template.shape[1]) / scale) end_y int((max_loc[1] template.shape[0]) / scale) return (max_val, (start_x, start_y), (end_x, end_y)) return None这个函数会遍历多个尺度找到置信度最高的匹配。虽然看起来计算次数多了但由于在低分辨率下计算非常快且在高分辨率下只需计算局部区域总体耗时往往远小于在全尺寸图像上做密集滑动窗口匹配。5.2 工程实践封装成可复用的类在实际项目中你应该将模板匹配的功能封装起来便于管理和调用。下面是一个简单的类示例class TemplateMatcher: def __init__(self, template_path, methodcv2.TM_CCOEFF_NORMED, threshold0.8, use_grayTrue): self.template cv2.imread(template_path) if use_gray and len(self.template.shape) 3: self.template cv2.cvtColor(self.template, cv2.COLOR_BGR2GRAY) self.method method self.threshold threshold self.template_h, self.template_w self.template.shape[:2] def match(self, source_image, roiNone): 在源图像中匹配模板。 roi: 可选 (x, y, w, h) 格式的元组指定搜索区域。 返回: 一个列表每个元素是 (confidence, (x1, y1, x2, y2))。 if len(source_image.shape) 3: img_gray cv2.cvtColor(source_image, cv2.COLOR_BGR2GRAY) else: img_gray source_image if roi is not None: x, y, rw, rh roi search_img img_gray[y:yrh, x:xrw] offset_x, offset_y x, y else: search_img img_gray offset_x, offset_y 0, 0 # 执行匹配 res cv2.matchTemplate(search_img, self.template, self.method) # 解析结果 locations [] if self.method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]: # 越小越好 loc np.where(res (1 - self.threshold if self.method cv2.TM_SQDIFF_NORMED else self.threshold)) else: # 越大越好 loc np.where(res self.threshold) points list(zip(*loc[::-1])) # (x, y) # 简单的非极大值抑制 (这里可以替换为更复杂的NMS) for pt in points: top_left (pt[0] offset_x, pt[1] offset_y) bottom_right (top_left[0] self.template_w, top_left[1] self.template_h) confidence res[pt[1], pt[0]] # 注意索引是 (y, x) locations.append((float(confidence), (top_left[0], top_left[1], bottom_right[0], bottom_right[1]))) # 按置信度排序 if self.method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]: locations.sort(keylambda x: x[0]) # 升序 else: locations.sort(keylambda x: x[0], reverseTrue) # 降序 return locations def draw_matches(self, source_image, matches): 在图像上绘制匹配框 img_display source_image.copy() for conf, (x1, y1, x2, y2) in matches: color (0, 255, 0) if conf self.threshold else (0, 0, 255) # 绿色为通过红色为低置信度 cv2.rectangle(img_display, (x1, y1), (x2, y2), color, 2) cv2.putText(img_display, f{conf:.2f}, (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) return img_display # 使用示例 matcher TemplateMatcher(logo.png, threshold0.75) matches matcher.match(cv2.imread(scene.jpg)) result_img matcher.draw_matches(cv2.imread(scene.jpg), matches[:5]) # 只画前5个 cv2.imshow(Matches, result_img) cv2.waitKey(0)这个类将模板加载、匹配、结果解析和可视化封装在一起使用起来清晰明了。你可以在此基础上扩展比如加入多尺度匹配、多种预处理选项等。6. 从模板匹配到特征匹配何时该升级你的方案模板匹配简单高效但局限性也很明显。当你的项目遇到以下情况时就应该考虑更高级的特征匹配方案了尺度变化剧烈目标物体大小变化超过±20%。视角/旋转变化大目标在三维空间中有明显旋转。非刚性形变目标物体本身会弯曲、拉伸如纸张、布料。部分遮挡目标被其他物体挡住了一部分。需要更高层的理解比如识别“一把椅子”而不是“某个特定样式的椅子”。这时特征匹配Feature Matching就该登场了。它不直接比较像素块而是先提取图像中的关键点如角点、斑点和描述符一种描述关键点周围区域信息的向量然后比较描述符的相似度。OpenCV中提供了SIFT, SURF, ORB, AKAZE等经典特征检测器。一个简单的ORB特征匹配示例作为对比import cv2 import numpy as np img1 cv2.imread(box.png, cv2.IMREAD_GRAYSCALE) # 模板 img2 cv2.imread(box_in_scene.png, cv2.IMREAD_GRAYSCALE) # 场景 # 初始化ORB检测器 orb cv2.ORB_create() # 寻找关键点和描述符 kp1, des1 orb.detectAndCompute(img1, None) kp2, des2 orb.detectAndCompute(img2, None) # 创建BFMatcher对象使用汉明距离 bf cv2.BFMatcher(cv2.NORM_HAMMING, crossCheckTrue) # 匹配描述符 matches bf.match(des1, des2) # 按距离排序 matches sorted(matches, keylambda x: x.distance) # 绘制前20个匹配点 img3 cv2.drawMatches(img1, kp1, img2, kp2, matches[:20], None, flagscv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) cv2.imshow(Feature Matches, img3) cv2.waitKey(0)特征匹配能处理尺度、旋转变化但对纹理不明显、模糊的图像可能提取不到足够的关键点。它和模板匹配是互补的工具。我的经验法则是在条件可控、目标固定的场景下如工业视觉定位首选模板匹配它快、准、稳在条件多变、需要泛化的场景下如自然场景物体识别则必须使用特征匹配或深度学习模型。7. 真实项目踩坑实录与调试心得纸上得来终觉浅绝知此事要躬行。下面分享几个我在实际项目中踩过的坑和总结的调试技巧。坑一匹配结果“飘忽不定”时准时不准现象同一套代码同一组图像每次匹配到的位置有1-2个像素的抖动。根因图像噪声和插值算法。cv2.imread读取、图像显示后再截屏、甚至GUI的轻微渲染差异都可能引入亚像素级的噪声。解决输入一致性确保你的源图像和模板来自稳定的源头如直接读文件、固定的视频流抓帧避免经过有损压缩或重采样。预处理滤波在匹配前对图像进行轻微的高斯模糊如3x3或5x5核可以平滑掉这些高频噪声使匹配位置更稳定。cv2.GaussianBlur(img, (3,3), 0)。亚像素级定位如果你需要极高的精度如机械定位可以在cv2.minMaxLoc找到的整数坐标附近通过拟合响应图峰值来获取亚像素精度坐标。OpenCV的cv2.cornerSubPix思想可以借鉴。坑二在复杂背景中误匹配到相似纹理现象模板是一个十字形标志结果在背景的栅格、砖墙等重复纹理处也出现了高置信度匹配。根因模板特征太简单缺乏独特性。解决优化模板尽可能选择目标物体上最具独特性、最不容易重复出现的部分作为模板。如果目标整体特征简单可以尝试使用其边缘图像作为模板因为边缘信息比灰度信息更具区分度。使用掩模如果模板包含无关背景用掩模将其排除。后验验证匹配到位置后不要立即相信。可以计算匹配区域与模板的直方图相似度cv2.compareHist或者计算一些简单的形状特征如宽高比、面积进行二次验证。提高阈值这是最直接的方法但可能会漏掉真正的弱匹配。坑三处理速度无法满足实时性要求现象处理一帧1024x768的图像需要几百毫秒无法达到30FPS的实时要求。根因模板尺寸过大或搜索区域全图过大。解决缩小模板在保证识别率的前提下将模板裁剪到最小有效区域。每减少一行一列像素计算量都会显著下降。限定ROI这是最有效的加速手段。利用先验知识如目标只会出现在屏幕下半部分、运动预测在视频中目标不会瞬间跳跃或上一帧的结果大幅缩小搜索范围。降低分辨率对于实时视频输入图像本身就不需要太高分辨率。将图像缩放至原图的1/2或1/4进行匹配速度能提升4到16倍。找到大致区域后再在原图对应区域进行精细匹配。选择更快的方法TM_SQDIFF和TM_CCORR的计算通常比归一化方法快。可以先使用快速方法进行粗筛再用精确方法在候选区域验证。调试技巧可视化你的响应图当匹配结果不符合预期时不要只盯着最终画出的框。将响应图res可视化出来能让你直观地看到匹配算法“看到了什么”。# 归一化响应图到0-255范围便于显示 res_vis cv2.normalize(res, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U) # 或者将响应图缩放到与源图相近大小叠加显示 res_heatmap cv2.applyColorMap(res_vis, cv2.COLORMAP_JET) cv2.imshow(Response Map, res_vis) cv2.imshow(Response Heatmap, res_heatmap)在响应图的热力图中你应该能看到在真正目标位置有一个明亮的“热点”。如果热点不明显或者有很多分散的亮点就说明匹配条件不好需要调整模板、预处理方法或阈值。