本文主要是介绍如何提高匹配的精确度（多次学习），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
我们工业自动化中，视觉软件匹配，都是学习一次，比如找到轮廓，旋转360度，也就是有360个轮廓，然后到图像中去找任意角度的目标。
这样的学习并不能一而概括全。
所以，我借鉴ai的方法，通过多次学习，来识别事物。
在我们机器视觉中怎么实现多次学习呢？
我们有360个模板，都是一个模板旋转360度得到的，
同一学习的目标，我们可以在任意角度放置，抠图后，就有很多学习到模板，都是同一事物，我们找到和360个模板的关系，填充进去，替换原来的模板，显然，多次学习的模板更接近本来面目，这是很容易懂的道理。
我们具体实现，示范一下：
第一，先学习一个，旋转360，得到360个模板，作为基础：
第二，我们在红色框中旋转，开始多次学习：第一次学习-9度
第三，第二次学习：失败
第四，第三次学习：-21度
第五，第四次学习：-27度
第六，第五次学习：17度
第七，第六次学习：1度
好，我们学了6次，第一次是基准，我们知道六次的关系，-9度，失败，-21度，-27，17，1
这样，我们可以把基准产生的-9度，-21度，-27，17，1度替换掉，我们随便放个位置，匹配一下，用基准和六次学习的结果分别匹配，然后对比：
多次学习匹配结果序号是：1（-9度），得分：0.435；基准匹配得分 0.48，-12度
看到没有，多次学习匹配的结果hog和基准匹配hog很接近，他们的偏差和=1+0+1+4+3+0+1+1=11
达到我们小于25的要求。
我们只学习了六次，一次还失败了，如果每一度都能学习上，肯定多次学习比基准匹配好，
我们又来一次：
多次学习匹配结果序号是：1（-9度），得分：0.485；基准匹配得分 0.463，-9度
看到没有，都是-9度时，0.485已经大于0.46
这次偏差和=0+1+1+3+1+0+2+1=9
低于上次偏差和11.
这是显而易见的。
如此看来，我们的的得分提升，有新希望，而且使用了近似ai深度学习的手法，多次学习。
我们的速度显然比cnn和ai肯定快的多，而且不用gpu，单单一个cpu就够了，其实我的电脑还是i3三代处理器。
是不是对机器视觉（machine vision）信心大增？
这篇关于如何提高匹配的精确度（多次学习）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
