利用摄像头进行视觉定位在实际的生活和生产中有着广泛的应用,其原理是通过图像传感器获取目标图像,利用视觉算法在图像中搜索目标,实现目标定位。其中,模板匹配算法是实现视觉目标定位的关键技术之一,是图像处理和计算机视觉领域的一个基础而又重要的研究问题,在诸多实际场景和学术研究中都有广泛的应用。在工业场景下,物体的检测和目标的定位在自动化视觉定位系统中占有重要的地位,目标定位在缺陷检测、条码检测、印刷检测等各个行业中的应用不可或缺。在生物医学研究和实际医疗过程中,利用模板匹配技术,可以根据不同的需求对不同的目标进行定位分析,协助医生做出诊断。由于传统的模板匹配策略通常是逐像素遍历搜索,匹配算法的准确性和实时性难以同时满足,此外算法还需要克服遮挡、噪声、模糊、旋转、光照、复杂背景和多尺度等一系列挑战,本文针对这些问题开展研究。图像中目标的边缘形状是区分图像中不同目标的标准之一,目标的形状主要通过图像的边缘体现,通过目标的形状在图像中搜索目标,是模板匹配常用的方式之一。因此目标边缘的有效提取对匹配算法的结果有较大的影响。基于边缘形状的模板匹配算法能够实现准确匹配,但存在两个主要挑战:1)边缘形状作为全局特征容易受到噪声、模糊等因素的影响;2)由于在匹配过程中,图像中构成边缘形状的全部像素点都参与计算匹配相似度,边缘像素点的数量巨大,因而严重影响匹配的实时性。为了提高模板匹配的速度和准确性,本文提出一种基于局部稳定像素点的自适应模板匹配算法,通过构建图像自适应网格,筛选图像中的所有网格区域,在网格中继续筛选边缘像素点,提取出局部稳定的像素点作为特征点用于计算相似度。首先提出基于梯度幅度和梯度方向的评价策略,用于计算像素点的信息量;其次提出基于梯度幅度标准差的更新策略,用于检测局部稳定像素点。实验证明,本文提出的算法针对实际产线上采集的图像数据,能够完成快速准确定位,同时与NCC&HU算法和improved-FDCM算法进行对比,相同实验条件下,本文提出的算法保证准确率的前提下耗时最少。为了增强模板匹配算法的可移植性,克服多尺度挑战,本文提出基于小波变换的双评价多尺度模板匹配算法。首先建立小波变换特征金字塔,加强图像的边缘特征,同时构建图像自适应网格,从筛选后的网格中提取出局部特征像素点。其次提出一种基于主梯度方向和梯度方向熵的评价策略,用于筛选提取信息量丰富的边缘像素点,再基于统一LBP模式评价筛选后的边缘像素点的局部纹理特征。对比分析LBP局部纹理特征计算相似度与梯度信息计算相似度的不同,实验证明梯度信息计算相似度更准确且满足实时性。