模板匹配在计算机视觉中有着广泛应用,如目标检测、目标跟踪、视频监控、图像拼接等。目前已有大量的模板匹配算法,其中Best-Buddies Similarity(BBS)是一种用于模板匹配的相似性度量方法。该方法鲁棒性好、匹配精度高,能够克服一定程度的几何变形、部分遮挡以及光照变化。然而,这种方法仍然有两个性能缺陷。第一,该方法找到的最可能区域必须与给定模板的大小相同,因此当目标在测试图像中改变大小时,匹配性能较差;第二,该方法通过滑动窗口方式扫描整个图像来寻找具有最高BBS分数的区域,这耗费了大量的计算时间。本文针对BBS算法进行了改进,使其在保证匹配精度的同时又具有较为理想的运算速度。本文研究的主要内容和创新点包括以下方面:1、提出了一种基于BBS的可变形模板匹配算法针对当目标在待匹配图像中尺寸变化大时匹配精度差的问题,本文提出了一种可变形模板匹配算法。该算法由三个步骤组成:proposal生成,proposal筛选,和BBS相似度计算。首先,我们利用多尺度组合分组(MCG)算法生成大量各种大小的proposals;然后根据自定义的基于模板尺寸的筛选机制过滤掉明显不符合要求的proposals;最后,计算模板与保留下来的proposals的BBS值,最高的BBS值所对应的proposal即为我们的方法匹配到的目标。实验结果表明本文算法在准确度上优于目前已有的模板匹配算法,同时降低了计算复杂度。2、提出了一种增强型可变形模板匹配算法为了进一步提升匹配精度,降低搜索时间,本文提出一种增强型可变形模板匹配算法。选择一种proposal生成方法与模板匹配的准确度有着密切的关系,所以,在本文中我们使用Edge Boxes算法生成proposals。在筛选过程中,为了减少运算量,本文提出一种新的筛选方案,即基于模板的尺寸、归一化相关积(NCC)以及颜色直方图三种方法组合的多层筛选机制。在相似度计算过程中仍然采用BBS策略。实验结果表明,该算法能够在较短时间内准确地匹配到目标。