OpenCV于1999年由Intel建立，如今由Willow Garage提供支持。OpenCV是一個基于BSD許可（開源）發行的跨平臺計算機視覺庫，可以運行在Linux、Windows和Mac OS操作系統上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實現了圖像處理和計算機視覺方面的很多通用算法。最新版本是3.3 ，2017年8月3日發布。

　　OpenCV 擁有包括 500 多個C函數的跨平臺的中、高層 API。它不依賴于其它的外部庫——盡管也可以使用某些外部庫。

　　OpenCV 為Intel? Integrated Performance Primitives （IPP） 提供了透明接口。 這意味著如果有為特定處理器優化的 IPP 庫， OpenCV 將在運行時自動加載這些庫。

　　OpenCV的集成芯片基板定位技術

　　系統使用的CCD相機是型號為XC-ES50CE的SONY相機，有效像素為752×582，圖像采集卡使用的是比利時Euresys公司的產品，型號為PicoloPro2。在整個系統中，最為關鍵的問題就是模板匹配

　　1基于灰度的模板匹配方法

　　本文主要比較了幾種基于灰度的圖像匹配算法：SSDA算法，金字塔算法，NCC算法等。

　　模板匹配的基本原理是通過相關函數的計算來找到它和被搜索圖的坐標位置。如圖3所示，設模板T（n×m像素點）疊放在搜索圖S上移動，模板覆蓋下的那塊搜索圖為子圖Sij，i，j為這塊子圖的左上角像點在S圖中的坐標。比較T和Sij的內容，若兩

　　1.1SSDA算法

　　序貫相似性檢測算法（即SSDA算法）是對傳統模板匹配算法的改進。SSDA算法計算子圖像和模

　　板圖像之間的差值，求和時不需要計算所有像素，而是隨機抽取某幾點像素，只要其和超過設定的閾值，則說明當前位置不匹配，進行下個位置的計算。

　　但是該算法本身沒有抗干擾性，如果在外界有噪聲的情況下，算法的精確度不高。

　　1.2金字塔算法

　　金字塔算法也叫分層算法，是直接基于人眼的

　　視覺特點，先粗后細地觀看事物，步驟如下：

　　（1）預處理。首先對模板和搜索圖進行分層預處理。通過每2×2=4個像素平均為一個像素構成二級圖像，然后將此圖像再用同樣的方法處理后得到一個分辨率更低的圖像。如此反復，我們可以得到K個處理后的圖像。

　　（2）先粗后細的匹配。先從低分辨率的圖像Sk和TK開始進行匹配運算，找到粗匹配位置（xK，yK），然后在較高分辨率的圖像Sk-1和Tk-1上的粗匹配位置進行搜索，如此下去，一直到最高分辨率的SO和TO上找到匹配位置為止。

　　1.3NCC算法

　　NCC算法就是歸一化互相關匹配算法，是一個

　　經典的匹配算法，它是通過計算模板圖像和待匹配圖像的互相關值來決定匹配的程度，方法如下：

　　這種算法簡單，適用于尺寸較小的圖像匹配，且具有很強的抗白噪聲能力，在灰度變化及幾何畸變不大的情況下精度很高。

　　2基于OpenCV的模板匹配程序的實現

　　2.1程序流程及其實現

　　程序的流程如圖4所示，實驗采用的算法是NCC算法，函數完成比較后，通過使用cvMinMaxLoc找全局最大值，然后將匹配結果在原圖的對應位置標記出來（如圖5所示）。

　　程序實現主要利用OpenCV函數庫中的cvMatchTemplate函數，通過滑動過整個待匹配圖像，用指定的NCC算法比較模板圖像與待匹配圖像尺寸為w×h的重疊區域，并且將比較結果保存起來

　　2.2OpenCV簡介

　　開放源代碼的計算機視覺類庫OpenCV（IntelOpenSourceComputerVisionLibrary）由英特爾公司位于俄羅斯的研究實驗室所基于IPL（IntelImageProcessingLibrary）開發，并與之兼容。具有良好的獨立性、跨平臺性、功能強大、處理速度快等特點。

　　3實驗數據

　　采用的是一張640×484的原圖，以及一張64×74的模板圖，實驗用電腦CPU為IntelCeleronCPU4201.6GHz，內存為1G。經過實驗得出，匹配的平均時間為100.128ms，且能找到準確位置，能夠滿足廠家提出的2，000個/小時的技術要求。

　　4結論

　　綜上所述，利用OpenCV開發的模板匹配程序，擁有匹配準確、執行效率較高等特點，對于個別處理器還進行了優化，適用于對實時性要求不太高的場合，能夠滿足該企業芯片基板的定位要求，目前該系統已在企業運行