Template Matching
مطابقة القوالب تقنية كلاسيكية في الرؤية الحاسوبية، تحدد رقعة مرجعية صغيرة في صورة أكبر من خلال تسجيل درجات كل موضع.
مطابقة القوالب تقنية في الرؤية الحاسوبية تعثر على موضع ظهور صورة مرجعية صغيرة، هي القالب، داخل صورة أكبر. يُحرَّك القالب عبر الصورة بمقدار بكسل واحد في كل مرة، وتُحسب درجة التشابه عند كل موضع، ثم يُبلَّغ عن الموضع صاحب أعلى درجة بوصفه موضع المطابقة. ويكون الناتج خريطة درجات؛ إذ تشير القيمة القصوى فيها إلى موضع المطابقة عند استخدام مقاييس الارتباط، وتشير القيمة الدنيا إليه عند استخدام مقاييس الفروق المربعة.
لأن مطابقة القوالب تقارن قيم البكسلات الخام ولا تتعلم من البيانات، فهي أقرب إلى معالجة الصور منها إلى التعلم الآلي. وما تزال طريقة أساسية شائعة في مكتبات مثل OpenCV، التي تتيحها باسم cv2.matchTemplate.
آلية احتساب الدرجات#
عند كل إزاحة، يُقارَن القالب برقعة الصورة التي تحته والمساوية له في الحجم. وترتبط المقارنة المنزلقة ارتباطًا وثيقًا بالارتباط المتبادل المستخدم في طبقات الالتفاف، مع استخدام مقياس تشابه ثابت بدلًا من مرشح متعلَّم. ومن المقاييس الشائعة:
- مجموع الفروق المربعة: يجمع مربعات الفروق بين البكسلات، لذا تكون القيمة الأقل أفضل. وهو منخفض التكلفة، لكن نتيجته تتغير مع أي تغيير في السطوع.
- الارتباط المتبادل: يضرب قيم بكسلات القالب برقعة الصورة، لذا قد تتفوق رقعة ساطعة على تطابق تام.
- الارتباط المتبادل المُطبَّع (NCC): يقسم الناتج على مقادير الرقعة والقالب، ما يعالج مشكلة الرقع الساطعة ويحصر قيمة الدرجة ضمن نطاق محدد.
- معامل الارتباط: يطرح متوسط كل رقعة قبل إجراء التطبيع، لذا لا يؤثر الإزاح المنتظم في السطوع على الدرجة. أوضحت ورقة J. P. Lewis لعام 1995 المنشورة في Vision Interface حول المطابقة السريعة للقوالب، بعنوان الارتباط المتبادل المُطبَّع السريع، أن حساب هذا الشكل المُطبَّع بكفاءة ممكن باستخدام جداول تكاملية مُعدّة مسبقًا للصورة ومربعاتها. ويقدّم scikit-image الفكرة نفسها من خلال المثال match_template.
بعد احتساب الدرجات، يُستخدم حدٌّ أدنى للاحتفاظ بالمرشحين الأقوياء فقط. وعند ظهور نسخ متعددة من القالب، مثل العملات أو البلاط المتكرر، تكون كل قيمة عظمى أو صغرى محلية تتجاوز الحد الأدنى كشفًا مرشحًا. وعادةً ما تُدمج النتائج المتداخلة باستخدام كبت غير الأعظميات. والدرجات قيم للتشابه، وليست تقديرات ثقة مُعايرة.
يقتطع المقتطف أدناه رقعة من صورة الحافلة النموذجية، ويضيف إزاحة منتظمة للسطوع إلى المشهد، ثم يستعيد موضع الرقعة باستخدام معامل الارتباط.
import cv2
import numpy as np
from ultralytics.utils import ASSETS
# Load the sample image in grayscale as float32
img = cv2.imread(str(ASSETS / "bus.jpg"), cv2.IMREAD_GRAYSCALE).astype(np.float32)
# Crop a 200 x 200 template whose top-left corner is at x=200, y=400
template = img[400:600, 200:400].copy()
# Add a uniform brightness offset to the scene (no clipping in float32)
scene = img + 40
# Score every position and take the peak of the score map
scores = cv2.matchTemplate(scene, template, cv2.TM_CCOEFF_NORMED)
_, best_score, _, best_xy = cv2.minMaxLoc(scores)
print(f"Best match at {best_xy} with score {best_score:.3f}")تتجاهل الدرجة بعد طرح المتوسط الإزاحة المنتظمة، لذا تقع القمة عند زاوية القص (200, 400) بدرجة 1.0، مع مراعاة التقريب.
مواضع الاستخدام#
تنجح مطابقة القوالب عندما يبدو الهدف بالطريقة نفسها في كل مرة:
- أتمتة الألعاب وواجهات المستخدم الرسومية: يعثر البرنامج التعليمي الخاص بـ OpenCV على كل العملات في لقطة شاشة للعبة عبر تطبيق حد على خريطة الدرجات، لأن الرسومات المُصيّرة تتكرر بكسلًا ببكسل.
- الفحص البصري: يُبحث عن قصاصة مرجعية لملصق في كل إطار تلتقطه كاميرا ثابتة للتحقق من وجوده، وهي مهمة أساسية في الرؤية الآلية.
- مطابقة الحركة والرؤية المجسمة: تُطابق كتل صغيرة بين إطارات متتالية أو بين المنظرين الأيسر والأيمن لتقدير الإزاحة أو اختلاف المنظر.
- التصوير الطبي: تختار دراسة عن NCC في PLOS ONE قالبًا في صورة وتُمرّره فوق صورة ثانية للمريض نفسه، التُقطت في وقت مختلف، لتتبّع الحركة الداخلية. وتستند مواءمة الصور إلى الفكرة نفسها.
القيود والبدائل#
يمثل القالب مظهرًا واحدًا دقيقًا، لذا تنخفض الدرجة عند تدوير الجسم أو تغيير حجمه أو حجبه جزئيًا أو ظهوره أمام خلفية جديدة. وتبلغ كلفة البحث الشامل المباشر تقريبًا حاصل ضرب حجم الصورة في حجم القالب. تتعامل المطابقة عبر هرم الصور مع اختلاف المقياس، كما يعالج تدوير القالب اختلاف الزاوية، لكن كل مقياس أو زاوية إضافية يتطلب بحثًا كاملًا آخر، بينما يقلل تضييق منطقة البحث حجم العمل.
تبادل الطرق الأخرى الدقة مقابل الثبات تجاه التغييرات. تطابق أساليب النقاط المفتاحية مثل SIFT واصفات محلية تصمد أمام تغيير المقياس والدوران، وتندرج هذه الأساليب الأوسع ضمن مطابقة الصور. يعثر تحويل هوف على أشكال بارامترية مثل الخطوط والدوائر. وتتعلّم نماذج اكتشاف الأجسام المتعلَّمة مظهر فئة كاملة من أمثلة موسومة، لذا يغطي نموذج واحد تنوعات عديدة للجسم، بينما تتطلب مطابقة القوالب قالبًا لكل تنوع.
يعتمد Ultralytics YOLO26 النهج القائم على التعلم. يتنبأ نموذج دُرّب على صور مشروحة في Ultralytics Platform بـمربعات الإحاطة للفئات التي دُرّب عليها، ويمكن لـزيادة البيانات أثناء التدريب إضافة تنوعات في الدوران والمقياس والسطوع.
يوفر matchTemplate في OpenCV ست طرق للمقارنة: مجموع الفروق المربعة والارتباط المتبادل ومعامل الارتباط، ولكل منها صيغة مُطبَّعة.










