原理
模板匹配就是用模板图（通常是一个小图）在目标图像（通常是一个比模板图大的图片）中不断的滑动比较，通过某种比较方法来判断是否匹配成功。
匹配方法
1. 平方差匹配TM_SQDIFF
以模板图与目标图所对应的像素值使用平方差公式来计算，其结果越小，代表匹配程度越高，计算过程举例如下。
注意：模板匹配过程皆不需要边缘填充，直接从目标图像的左上角开始计算。
2. 归一化平方差匹配TM_SQDIFF_NORMED
与平方差匹配类似，只不过需要将值统一到0到1，计算结果越小，代表匹配程度越高，计算过程举例如下。
3.相关匹配TM_CCORR
使用对应像素的乘积进行匹配，乘积的结果越大其匹配程度越高，计算过程举例如下。
4. 归一化相关匹配TM_CCORR_NORMED
与相关匹配类似，只不过是将其值统一到0到1之间，值越大，代表匹配程度越高，计算过程如下。
5. 相关系数匹配TM_CCOEFF
需要先计算模板与目标图像的均值，然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度，1表示完美的匹配，-1表示最差的匹配，计算过程举例如下。
6. 归一化相关系数匹配TM_CCOEFF_NORMED
也是将相关系数匹配的结果统一到0到1之间，值越接近1代表匹配程度越高，计算过程举例如下。
绘制轮廓
找到符合要求的区域后，需要使用绘制轮廓组件将其在目标图像中绘制出来，通过记录下来的符合要求的区域位置与模板的宽和高，就能在目标图像中将模板框选出来。
示例代码
python
import cv2
import numpy as np
# 1、读取原图 + 灰度化
img = cv2.imread("./ctrl.png")
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 2、读取模板图 + 灰度化
template = cv2.imread("./basketball.jpg")
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
# 读取模板图的宽高
h, w = template_gray.shape[:2]
# 3、进行模板匹配
# cv2.matchTemplate()返回值是一个和原图同等大小的二维数组，存储的不是像素值而是匹配程度
# 若使用了归一化，存储的就是0到1之间的浮点数值
ret = cv2.matchTemplate(img_gray, # 参数1 原图
template_gray, # 参数2 模板图
cv2.TM_CCOEFF_NORMED # 参数3 匹配方法 6种
)
# 设置一个匹配阈值，用于判断匹配程度大于多少才算匹配上
threshold = 0.8
# 调用np库中where函数
# 返回一个有两个array数组的元组，第一个元素是loc[0] y坐标，第二个元素是loc[1] x坐标
loc = np.where(ret >= threshold)
# 遍历匹配点
for x, y in zip(loc[1], loc[0]):
# 绘制轮廓------矩形
cv2.rectangle(img, # 原图像
(x, y), # 左上角
(x + w, y + h), # 右下角
(0, 0, 255),
2
)
cv2.imshow('image', img)
cv2.imshow('template', template)
cv2.waitKey(0)