OpenCV Template Matching 適合在一張大圖中尋找「形狀、尺度、角度都接近固定」的小圖樣板。做法是用 `cv.matchTemplate()` 逐格比對模板與影像區塊，再用 `cv.minMaxLoc()` 找出最佳匹配位置；但只要物件被明顯縮放、旋轉或透視變形，傳統模板匹配就容易失準。
OpenCV Template Matching 是什麼？
OpenCV Template Matching 是以模板圖片在輸入影像中滑動比對的傳統電腦視覺方法。OpenCV 官方文件說明，`cv.matchTemplate()` 會回傳一張灰階結果圖，每個位置代表該區塊與模板的相似程度（OpenCV，存取日期：2026-08-28）。
Template Matching 的核心概念很直覺：準備一張 `template.jpg`，再到較大的 `messi5.jpg` 裡逐一比對可能位置。若輸入影像大小為 `W x H`，模板大小為 `w x h`，結果圖大小會是 `W-w+1 x H-h+1`；接著用 `cv.minMaxLoc()` 找出最高分或最低分的位置，再畫出矩形框。
我當時的筆記重點是先把六種 OpenCV 比對方法跑過一次，而不是一開始就相信某一種方法。不同相似度函式對亮度、背景與紋理的敏感度不同，先看結果圖通常比只看最後框線更容易除錯。
如何用 cv.matchTemplate 在圖像中查找物件？
`cv.matchTemplate()` 的基本流程是讀取灰階影像、讀取灰階模板、逐一套用比對方法，最後用 `cv.minMaxLoc()` 取得最佳位置。若方法是 `TM_SQDIFF` 或 `TM_SQDIFF_NORMED`，最低值才是最佳匹配。
這段範例保留我當時整理的 OpenCV 官方教學程式碼。程式會把每一種 matching method 的結果圖與偵測框一起顯示，方便比較不同方法的差異。
```python
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
img2 = img.copy()
template = cv.imread('template.jpg',0)
w, h = template.shape[::-1]
methods = ['cv.TM_CCOEFF', 'cv.TM_CCOEFF_NORMED', 'cv.TM_CCORR',
'cv.TM_CCORR_NORMED', 'cv.TM_SQDIFF', 'cv.TM_SQDIFF_NORMED']
for meth in methods:
img = img2.copy()
method = eval(meth)
res = cv.matchTemplate(img,template,method)
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
if method in [cv.TM_SQDIFF, cv.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
cv.rectangle(img,top_left, bottom_right, 255, 2)
plt.subplot(121),plt.imshow(res,cmap = 'gray')
plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img,cmap = 'gray')
plt.title('Detected Point'), plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()
```
實務上我會先確認三件事：影像和模板是否真的讀到、模板尺寸是否小於輸入影像、結果圖的高分或低分是否集中在合理位置。若結果圖到處都有高分，通常代表模板太普通，或背景紋理太像模板。
Template Matching 遇到縮放或旋轉為什麼會失準？
Template Matching 對尺度與角度很敏感，因為模板會以固定大小、固定方向去比對影像區塊。物件只要被縮放、旋轉或透視變形，模板像素排列就不再對齊，匹配分數會明顯下降。
OpenCV 官方教學把 Template Matching 定位為在大圖中尋找模板位置的方法，而不是完整的尺度不變或旋轉不變物件偵測器（OpenCV，存取日期：2026-08-28）。Stack Overflow 上同一類問題也指出，`matchTemplate` 在物件旋轉或縮放後通常不適合直接使用，常見替代方向是 Features2D、SIFT/SURF 描述符、FLANN matcher 與 `findHomography()`（Stack Overflow，2012，存取日期：2026-08-28）。
這也是這篇筆記真正想補上的判斷：Template Matching 不是不能用，而是要先確認場景假設。如果攝影機固定、產品角度固定、物件大小穩定，Template Matching 很輕巧；如果物件會在 3D 空間裡移動，直接套模板通常會把問題簡化過頭。
物件會縮放旋轉時應該改用什麼方法？
物件會縮放或旋轉時，建議改用特徵點偵測、描述符匹配與 Homography。流程是找出目標圖和場景圖的 keypoints，計算 descriptors，用 matcher 配對，再用 `findHomography()` 推估物件在場景中的位置。
OpenCV 的 Feature Matching + Homography 教學示範了這個方向：先用 SIFT 找兩張圖的特徵與描述符，再用 FLANN 做 KNN matching，通過 ratio test 篩選好的 matches，最後把匹配點交給 `cv.findHomography()` 估出透視轉換（OpenCV，存取日期：2026-08-28）。
整體流程可以拆成六步：
- 尋找目標圖像的關鍵點（Keypoints）。
- 從目標圖像關鍵點提取描述符（Descriptors）。
- 尋找場景圖像的關鍵點。
- 從場景圖像關鍵點提取描述符。
- 透過 matcher 匹配兩組描述符。
- 分析匹配結果，推估目標圖像在場景中的位置。
有不同類別的 Feature Detectors、Descriptor Extractors 和 Descriptor Matchers，選擇時要回到任務條件：物件有沒有足夠角點與紋理、是否需要即時、是否允許誤判、影像解析度多大。
如何用 SIFT 提取 OpenCV 關鍵點？
SIFT 可以在影像中找出較穩定的局部特徵點，並計算描述符供後續匹配使用。這段範例只示範 keypoints 與 descriptors 的取得，尚未包含 FLANN matching 或 Homography。
以下為我當時筆記中提取關鍵點的一個範例：
```python
from future import print_function
import cv2
import numpy as np
import argparse
print(cv2.version)
img = cv2.imread('./D10.jpg', cv2.IMREAD_COLOR)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.SIFT_create()
kp = sift.detect(gray, None)
ret = cv2.drawKeypoints(gray, kp, img)
cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
kp, des = sift.compute(gray, kp)
print(np.shape(kp))
print(np.shape(des))
print(des[0])
```
這段範例的檢查點很單純：`kp` 是偵測到的關鍵點集合，`des` 是描述符矩陣。若 `des` 是 `None` 或 keypoints 很少，後續 matcher 再漂亮也救不回來；這時要先回頭看影像是否過於平坦、模糊、曝光不足，或目標物本身缺少可辨識紋理。
Template Matching 和特徵匹配怎麼選？
Template Matching 適合固定角度、固定尺度、低成本的圖樣查找；特徵匹配適合尺度、旋轉或透視可能變動的物件查找。選擇方法前，先問物件在場景中是否仍像同一張模板。
| 判斷條件 | 適合 Template Matching | 適合特徵匹配與 Homography |
|---|---|---|
| 物件尺度 | 幾乎固定 | 可能變大或變小 |
| 物件角度 | 幾乎固定 | 可能旋轉 |
| 場景透視 | 幾乎沒有變形 | 有斜拍或透視變形 |
| 物件外觀 | 模板紋理清楚且固定 | 有足夠角點、邊緣與局部特徵 |
| 實作成本 | 較低 | 較高，需要調 matcher 與篩選條件 |
我的實務判斷是：先用 Template Matching 做最小可行驗證，能過就不必急著換重方法；只要測試圖片一加入縮放、旋轉、不同拍攝角度就開始飄，再改用 SIFT/ORB、FLANN/BFMatcher 與 Homography。這樣比較不會一開始就把簡單問題做重，也不會讓錯誤方法卡住整個專案。
延伸閱讀
OpenCV Template Matching 和站內其他 OpenCV 筆記可以一起看。若目標是學會傳統影像處理流程，建議從圖像金字塔、幾何轉換、物體偵測概念和實際輪廓案例串起來讀。
- OpenCV 圖像金字塔教學：Gaussian Pyramid、Laplacian Pyramid 與影像融合
- 物體偵測技術介紹：Bounding Box、類別分類與常見模型架構
- 用兩張圖片偵測畫面是否靜止：OpenCV absdiff、threshold 與輪廓判斷
- OpenCV 輪廓中心點教學：moments、centroid 與 contour 面積判斷
- OpenCV 幾何轉換教學：平移、旋轉、縮放與透視變換
常見問題
OpenCV Template Matching 的常見問題多半不是語法，而是場景假設。模板、輸入圖、尺度、角度與光線條件只要沒有對齊，結果就會很快失準。
OpenCV Template Matching 可以用來做物件偵測嗎？
OpenCV Template Matching 可以用來做簡單物件查找，但不等於完整的通用物件偵測。固定攝影機、固定角度、固定尺寸的圖樣最適合使用 Template Matching。
cv.matchTemplate 找不到正確位置時先檢查什麼？
`cv.matchTemplate()` 找不到正確位置時，先檢查圖片是否成功讀取、模板是否小於輸入圖、模板是否過於普通，以及 matching method 是否適合。也可以先看結果圖，不要只看最後畫出的框。
TM_SQDIFF 和其他 matching method 差在哪？
`TM_SQDIFF` 與 `TM_SQDIFF_NORMED` 是分數越低越像，其他常見方法通常是分數越高越像。因此使用 `cv.minMaxLoc()` 後，這兩種方法要取 `min_loc`，不是 `max_loc`。
Template Matching 能處理縮放嗎？
單次固定模板的 Template Matching 不能自然處理縮放。若只是小範圍尺度變化，可以用 image pyramid 或多個尺度模板嘗試；若場景變化大，通常應改用特徵匹配或物件偵測模型。
Template Matching 能處理旋轉嗎？
單次固定模板的 Template Matching 不能自然處理旋轉。可以準備多個旋轉角度模板做粗略比對，但角度很多時成本會上升；有足夠特徵點的物件更適合用 SIFT、ORB 與 Homography。
SIFT、SURF、ORB 要怎麼選？
SIFT 與 SURF 對尺度與旋轉較有代表性，但計算成本通常比 ORB 高；ORB 常用於較快的二進位描述符流程。實務上要用自己的圖片測 keypoints 數量、匹配品質與速度。
Homography 一定找得到物件嗎？
Homography 不一定找得到物件。`cv.findHomography()` 至少需要足夠且正確的匹配點；若物件太平滑、遮擋嚴重、特徵點不足或錯誤匹配太多，推估出來的框就會不穩。
參考資料
本文主要參考 OpenCV 官方文件，並補充我當時查到的縮放旋轉討論。外部連結都使用 HTTPS，方便讀者回查原始技術說明。
- OpenCV，〈Template Matching〉，存取日期：2026-08-28。
- OpenCV，〈Feature Matching + Homography to find Objects〉，存取日期：2026-08-28。
- OpenCV，〈Feature Matching〉，存取日期：2026-08-28。
- Stack Overflow，〈scale and rotation Template matching〉，2012-05-19，存取日期：2026-08-28。
最後更新
本文最後更新日期是 2026-08-28。此次更新補齊 GEO Answer Blocks、FAQ、站內延伸閱讀、參考資料與作者資訊。
2026-08-28
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2022-12-19