3-1 三角測量法
測量一個物體與物體之間距離最簡單的方法是，直接拿捲尺接觸 二個目標物進行測量。然而很多時候，如果目標物過於巨大或無法直 接接觸目標物進行測量等情況時，只能採用間接方法來進行測量，此 時三角測量法即派上用場。
三角測量法是利用己方已知的距離與觀測角度，畫一個或二個以 上的三角形，代入三角函數等相關公式來計算目標物與己方的距離。
舉凡天文學家對恆星距離的測量、軍方使用的光學測距機等，通通都 是應用三角測量法的典型例子。
圖 1 三角測量法 1
如圖 1 所示，假設有一座金字塔其高度為TH̅̅̅̅，設線段TH̅̅̅̅為 x 公 尺。測量者在在距離金字塔塔底中心（H 點）y 公尺處（B 點），拿望
遠鏡觀測塔頂得到仰角 45°，測量者往後面步行 100 公尺到達（C 點）
圖 2 三角測量法 2
圖 2 為傳統三角測量法，假設測量者想測量線段DC̅̅̅̅的長度𝑑，在 不與目標物 D 點直接碰觸的情況下，要求出距離𝑑需要知道三個已知 條件，分別是 A 點角度 α、B 點角度 β、AB̅̅̅̅線段長度𝑙。
其中𝑙線段又可以拆解為AC̅̅̅̅線段與CB̅̅̅̅線段。
𝑙 = 𝑑
tan𝛼+ 𝑑
tan𝛽 (5)
把 tan𝜃 = sin𝜃
cos𝜃 的公式代入（5）式並把𝑑提出來可求出（6）式
𝑙 = 𝑑 (cos𝛼
sin𝛼 +cos𝛽
sin𝛽) (6)
接著對（6）式通分可求出（7）式
𝑙 = 𝑑 (cos𝛼sin𝛽
sin𝛼sin𝛽 +cos𝛽sin𝛼
sin𝛼sin𝛽) (7)
對準標定的測量點，把前述的 α 角與 β 角求出來。但是使用雙鏡頭 攝影機時，由於攝影機是固定不動的，所以不能像一般三角測量法一 樣可以輕易求得 A 點與 B 點的角度，因此得改採其他適合雙攝影機鏡 頭的三角測量法來測量景深。
圖 3 雙鏡頭測量示意圖
如圖 3 所示，雙鏡頭的軸心距離為 B，鏡頭的焦距為 f，目標物 O 點投影到左鏡頭的像距為 𝑥𝐿，目標物 O 點投影到右鏡頭的像距為𝑥𝑅， 目標物 O 點與雙鏡頭的垂直距離 D 為物距（景深）。其中 M 是攝影機 鏡頭的平面，N 是攝影機的感光平面。感光平面是一種積體電路，由 電荷耦合感光元件（Charge Coupled Device，簡稱 CCD）組成，可以 把映照在感光平面上的影像即時轉換成一系列數位訊號。
根據之前圖 2 公式的推導，DC̅̅̅̅線段𝑑與跟其垂直的AB̅̅̅̅線段𝑙成正
3-3 模板匹配法
模板匹配法（template matching）是一種用於尋找影像裡面與模 板匹配度最高區域的演算法。首先先輸入一張大小（w, h）模板
（template）接著再輸入大小（W, H）的攝影機影像。模板匹配函數 會讓模板對影像由上到下由左到右，進行相關運算後生成大小（W-w+1, H-h+1）的結果圖（result）。電腦在進行匹配的動作時會根據模板匹 配方法，從結果圖當中尋找影像裡與模板最匹配區域的（x, y）座標，
以此把要尋找的目標物在影像中給定位出來。以下圖示分別為攝影機 影像（image）、模版圖（template image），以及結果圖（result image）。
＋
圖 4 攝影機影像 圖 5 模板圖
圖 6 結果圖
首先在圖 4 裡面抓取一個範圍，生成圖 5 的模板圖（template image）。接著把圖4 與圖 5 放入 OpenCV 官方內建的 matchTemplate() 函數裡，生成圖6 的結果圖（result image）。
即可開始進行模板匹配的動作。接著再依據找到座標點，在原始影像 中畫一個舉行方框更新原始影像，如圖 7 所示。
OpenCV matchTemplate 函數原始宣告定義如下。
CV_EXPORTS_W void matchTemplate( InputArray image, InputArray templ, OutputArray result, int method );
OpenCV 官方提供 6 種方法來計算結果圖（result image）。在這 些公式當中，R、I、T 符號代表的意義如下：
R 代表結果圖（result image）
I 代表原始攝影機輸入影像（image）
T 代表模板圖（template image）
(1) CV_TM_SQDIFF (Sum of Squared Difference) 平方差匹配法。這個方法的最佳匹配值為 0。
R(𝑥, 𝑦) = ∑(T(𝑥′, 𝑦′) − I(𝑥 + 𝑥′, 𝑦 + 𝑦′))2
𝑥′𝑦′
(13)
(2) CV_TM_SQDIFF_NORMED
正規化平方差匹配法，這個方法是CV_TM_SQDIFF 方法的正規 化表示式。這個方法的最佳匹配值為0。
R(𝑥, 𝑦) = ∑𝑥′𝑦′(T(𝑥′, 𝑦′) − I(𝑥 + 𝑥′, 𝑦 + 𝑦′))2
√∑𝑥′𝑦′T(𝑥′, 𝑦′)2∙ ∑𝑥′𝑦′I(𝑥 + 𝑥′, 𝑦 + 𝑦′)2
(14)
(3) CV_TM_CCORR（Cross Correlation）
相關匹配法。這個方法的最佳匹配值為最大值。但研究者實際跑 程式時，這個方法(CV_TM_CCORR)一直無法抓出正確的模板座標。
R(𝑥, 𝑦 −) = ∑(T(𝑥′, 𝑦′) ∙ I(𝑥 + 𝑥′, 𝑦 + 𝑦′))
𝑥′𝑦′
(15)
(4) CV_TM_CCORR_NORMED
正規化相關匹配法。這個方法是CV_TM_CCORR 方法的正規化 表示式。這個方法的最佳匹配值為最大值。
R(𝑥, 𝑦) = ∑𝑥′𝑦′(T(𝑥′, 𝑦′) ∙ I(𝑥 + 𝑥′, 𝑦 + 𝑦′))
√∑𝑥′𝑦′T(𝑥′, 𝑦′)2∙ ∑𝑥′𝑦′I(𝑥 + 𝑥′, 𝑦 + 𝑦′)2
(16)
(5) CV_TM_CCOEFF
相關係數匹配法。這個方法的最佳匹配值為 1，最差匹配值為-1，
跟模板完全無關匹配值為 0。
R(𝑥, 𝑦) = ∑(T′(𝑥′, 𝑦′) ∙ I′(𝑥 + 𝑥′, 𝑦 + 𝑦′)) (17)
𝑥′𝑦′
(6) CV_TM_CCOEFF_NORMED
正規化相關係數匹配法。這個方法是 CV_TM_CCOEFF 方法的正規 化表示式。這個方法的最佳匹配值為 1，最差匹配值為-1，跟模板完