Template Matching目标计数不准确：框选正常但计数错误求助

嘿，我懂你这种明明框都画对了，计数却跑偏的郁闷——模板匹配在目标计数上踩坑太常见了，咱们一步步来拆解问题、解决它。

为什么会出现“框对了，数不对”？ #

大概率是这几个原因在搞鬼：

• 重复匹配的干扰：模板匹配默认会在目标的相似区域多次触发检测，哪怕视觉上框是分开的，底层可能已经把同一个目标算成了好几个。比如用默认的匹配模式时，一个目标周围可能有多个相似度较高的区域，都被当成了新目标。
• 阈值设置不合理：阈值太低会把无关区域误判成目标，阈值太高可能漏检，但更常见的是没过滤掉那些重叠的重复匹配结果。
• 模板与目标的适配问题：如果目标有缩放、轻微旋转，模板匹配会出现部分匹配的情况，导致一个目标被多次计数，或者相邻目标的匹配结果混淆。

具体解决方案 #

1. 加入非极大值抑制（NMS）——解决重复计数的核心 #

这是最有效的办法，原理是只保留每个目标区域内得分最高的匹配结果，把周围重叠的低得分结果过滤掉。给你一个实用的代码片段：

import cv2
import numpy as np

def non_max_suppression(boxes, scores, iou_threshold):
    # 按匹配得分从高到低排序
    sorted_indices = np.argsort(scores)[::-1]
    keep_boxes = []
    
    while len(sorted_indices) > 0:
        # 保留当前得分最高的框
        current_idx = sorted_indices[0]
        keep_boxes.append(current_idx)
        
        # 计算当前框与剩余所有框的IOU（交并比）
        current_box = boxes[current_idx]
        rest_boxes = boxes[sorted_indices[1:]]
        
        # 计算IOU
        x1 = np.maximum(current_box[0], rest_boxes[:, 0])
        y1 = np.maximum(current_box[1], rest_boxes[:, 1])
        x2 = np.minimum(current_box[0] + current_box[2], rest_boxes[:, 0] + rest_boxes[:, 2])
        y2 = np.minimum(current_box[1] + current_box[3], rest_boxes[:, 1] + rest_boxes[:, 3])
        
        intersection_area = np.maximum(0, x2 - x1) * np.maximum(0, y2 - y1)
        current_area = current_box[2] * current_box[3]
        rest_areas = rest_boxes[:, 2] * rest_boxes[:, 3]
        union_area = current_area + rest_areas - intersection_area
        
        iou = intersection_area / union_area
        
        # 只保留IOU小于阈值的框（避免重复）
        sorted_indices = sorted_indices[1:][iou < iou_threshold]
    
    return keep_boxes

# 假设你已经完成了模板匹配，得到了匹配位置和得分
# 先把匹配位置转换成框的格式：(x, y, 模板宽度, 模板高度)
template = cv2.imread("your_template.png", 0)
template_w, template_h = template.shape[1], template.shape[0]
# locations是匹配得到的坐标列表，scores是对应的匹配得分
boxes = np.array([[x, y, template_w, template_h] for (x, y) in locations])

# 应用NMS，IOU阈值建议设为0.3-0.5，根据你的目标重叠程度调整
keep_indices = non_max_suppression(boxes, scores, iou_threshold=0.3)

# 最终准确的目标数量就是保留下来的框的数量
accurate_count = len(keep_indices)

2. 优化匹配阈值 #

不同的匹配模式对应不同的得分逻辑：

• 如果你用的是cv2.TM_CCOEFF_NORMED或cv2.TM_CCORR_NORMED，得分越接近1匹配度越高，建议设置阈值在0.7-0.9之间，只保留得分高于阈值的结果。
• 如果是cv2.TM_SQDIFF_NORMED，得分越接近0匹配度越高，阈值可以设为0.1-0.3。

可以先用cv2.minMaxLoc查看所有匹配结果的最大、最小得分，再根据实际情况调整阈值，过滤掉低质量的匹配。

3. 适配目标的变形情况 #

如果目标存在缩放或轻微旋转：

• 尝试多尺度模板匹配：把模板缩放成不同的尺寸（比如0.8倍、1倍、1.2倍），分别进行匹配，再用NMS合并所有结果。
• 对于旋转的目标，可以尝试把模板旋转几个常用角度（比如±10°、±20°），分别匹配后再合并结果。

针对你提到的场景 #

你说第4行有3个矩形框但计数不对，大概率是这一行的目标被重复检测了（比如每个目标被计数2次）。先检查你的匹配结果里是不是有大量重叠的框，用上面的NMS方法过滤后，应该就能得到准确的3个计数了。

内容的提问来源于stack exchange，提问作者SalGorithm