产线上的相机拍一张图，几十毫秒内就能判断零件是哪个、在哪、转了多少度。很多人的第一反应是深度学习，但我做工业视觉多年的答案恰恰相反：大量高节拍的定位工位，跑的其实是更老、更稳、更快的轮廓模板匹配。这篇用"办会员卡"和"刷卡"的比喻讲清它的两阶段结构：为什么它只看边缘梯度方向、不看灰度，因而天然免疫光照变化；为什么由粗到细的金字塔搜索能把"大海捞针"变成"瓮中捉鳖"；最后如何把答案精修到亚像素级。同时纠正三个常见误区。

640×480的图，正负180度全角度搜索，第一版算法要一百毫秒上下；后来我们把它压进了个位数毫秒，没有黑科技，也没有换更贵的机器。这篇复盘真正起作用的四条工程决策：先粗后细的图像金字塔如何把搜索量指数级砍掉；为什么"少做无用功"比"把必要计算优化到极致"收益大一个量级；数据流顺畅为什么比堆算法更重要；并行应该并行在哪里。最后附一份实测有效的避坑清单，以及工业场景对确定性的硬要求。

模板匹配项目的成败，算法占三成，落地占七成。这篇是落地手册：参数只需抓三条主线——特征尺度决定精度、速度尺度决定节拍、阈值与链长决定抗噪，并附上参数迁移时最容易踩的"尺度含义不同"陷阱；五类最常见的翻车现场（光照一变就找不到、高对称目标角度歧义、遮挡掉分、目标跑出视野、精度总差一点）逐条给出成因与对策；最后是验收方法论——用合成真值而非人工读数、看成功率而非冠军案例、做确定性验证、把判据写进交付物。