你有没有想过：产线上的相机"啪"地拍一张图，几十毫秒之内，系统就能告诉你——传送带上这个零件是哪个、在哪、转了多少度。

很多刚入行的同学第一反应是：这不就是深度学习吗？训练个网络，端到端搞定。

做了多年工业视觉之后，我的答案恰恰相反：大量高节拍的定位工位，跑的并不是神经网络，而是一个更老、更稳、更快的东西——轮廓模板匹配。

这一篇就把它讲明白：它是什么、为什么好用、怎么工作的。不推导公式，不贴代码，保证大学生也能看懂。

一、先回答"是什么"：给目标拍张"轮廓名片"

模板匹配分两步，想成"办会员卡"和"刷卡"就懂了：

第一步：建模（离线，只做一次）。
拿一张标准图，用矩形框圈住目标，算法把框内目标的边缘轮廓提取出来，做成一份模板。这份模板记住的不是目标的灰度长相，而是它的"轮廓指纹"。

第二步：匹配（在线，每一帧都做）。
后续相机拍到的图里，算法拿着这份轮廓指纹去逐个位置比对：哪个位置、哪个角度、哪个大小能对上，就输出坐标、旋转角度、缩放倍数和匹配分数。

整个过程就分这两个阶段：建模阶段离线执行一次，匹配阶段在线逐帧执行。左边攒"名片"，右边刷"名片"。

二、为什么只看轮廓、不看灰度

这是模板匹配最反直觉、也最关键的设计。

很多人以为，要认出一个物体，就得记住它"长什么样"——颜色、纹理、明暗。但在工厂里，这条路走不通：

• 同一个零件，早班和晚班的打光不一样；
• 金属表面反光，换个角度就变样；
• 有些工位还会遇到明暗反转（比如从白底黑字变成黑底白字）。

灰度是善变的，但目标的轮廓形状是刚性的——零件转 30 度，它的边缘走向关系也跟着转 30 度，不会凭空消失。

所以这类算法只提取边缘上的梯度方向：边缘从哪个方向"亮变暗"。方向关系是形状的骨架，光照怎么变，骨架基本不变。这就是为什么它敢说：亮度变化、打光不均、甚至明暗反转，都不影响定位。

当然，只看轮廓也有代价：目标必须刚性（不能是软的、会形变的），轮廓要清晰（毛边太多谁都认不出）。这是适用边界，后面第三篇细说。

三、它是怎么"找"的：从粗到细的搜索

匹配阶段要回答三个问题：在哪（位置）、转多少（角度）、多大（缩放）。三个自由度组合起来，搜索空间是巨大的——逐个位置逐个角度去试，算到天荒地老。

工程上的解法是由粗到细，像找人一样：

1. 先眯起眼睛（看缩小的模糊图），扫一眼确定"人大概在那边"；
2. 再走近一步，确认姿势；
3. 最后凑近看细节，精确到鼻尖。

对应到算法里，就是图像金字塔：把原图逐层缩小，在最粗的层上快速圈出少量候选，再逐层往下，只在候选附近的小窗口里精细调整，最后在最细层上打分。

搜索范围从"整幅图 × 全角度 × 全缩放"收缩成"候选附近的巴掌大"，这就是速度的来源。这一步具体怎么压缩计算量，第二篇展开。

四、找到了之后：把答案修到"亚像素级"

粗定位给出的位置是"格子级"的（比如精确到 1 个像素、1 度）。工业定位常常要求更细——亚像素、零点几度。

所以匹配的最后还有收尾精修：先做抛物线插值把答案从档位之间"内插"出来，再用点到线的迭代最近点方法（一类公开的经典算法）把模板轮廓"贴"到搜索图的边缘上，反复微调，直到收敛。

一个直观的理解：粗定位告诉你"锁孔大概在这"，精修负责把钥匙稳稳插进去。

五、它能干什么活

四个最常见的场景：

• 计数：画面里十几个相同零件，数出个数、框出每一个；
• 定位：给机械臂或测量工序提供基准坐标（视觉定位是大多数检测工序的第一步）；
• 缺陷检测：先精准定位，再在标准位置上做比对检查；
• 分类识别：多个相似型号里认出"这是哪一型"。

常见误区，一次说清

误区一：模板匹配 = 逐像素灰度比对。
那是教科书里的相关匹配，对光照极其敏感，工厂里基本不能用。现代轮廓匹配只看边缘梯度方向，就是为了让光照"闭嘴"。

误区二：这种问题必须上深度学习。
深度学习擅长"变着花样也认识你"的语义问题。而工业定位要的是"同一个刚性目标，毫米级重复定位"——几何方法确定性强、速度快、不需要标注数据，反而更合适。

误区三：模板匹配很慢。
做对了工程取舍，毫秒级是正常水平。怎么做到的，见第二篇。

用一句话总结这一篇：

工业视觉的第一课，往往不是神经网络，而是学会把"它是什么"和"它在哪里"拆成两个问题来回答——轮廓模板匹配，就是后者的答案。

下一篇讲工程：同样的原理，为什么有人写出 90 毫秒，有人写出 5 毫秒。