当您仔细观察印刷电路板（PCB）时，常常会发现一些金色的小圆盘独立于走线之外。这些圆盘就是基准标记（又称基准点），其设计目的非常纯粹：帮助视觉系统快速识别，进而精确锁定整块PCB在图像中的位置。

本文将详细介绍如何利用 OpenCV 的 matchTemplate() 函数，精准识别这些基准标记。完整代码可从文末链接的 GitHub 仓库获取，但在此之前，我们先逐步拆解核心实现逻辑。

为什么 PCB 需要基准标记？

在PCB自动化组装流水线上，机器必须将电阻、电容、连接器等分立元件精确放置到焊盘上，然后进行焊接。基准标记正是为这些自动化系统提供定位指引——它向机器传达板子的位置与角度信息，确保元件不会放偏。元件贴装完成后，自动检查系统还需逐一验证每个元件的坐标是否在公差范围内。此时，基准标记再次发挥作用，提供从PCB设计图的毫米坐标到相机图像像素坐标的转换参考。

简而言之，没有这些金色小圆盘，机器将无法准确作业。

预处理

我们首先将图像转换为灰度图，因为基准标记的核心特征在于形状，与颜色关联不大。使用 OpenCV 的 cvtColor() 函数即可轻松完成。

以本例中的PCB为例，其基准标记由两个同心圆构成，外圆直径为68像素，内圆直径为26像素。

matchTemplate() 函数需要一个模板图像，即我们要寻找的目标样本。您可能会想：直接裁剪一个现有的基准标记作为模板不就够了？但这种方法存在风险：如果裁剪的标记因光照、磨损或加工偏差与其他标记存在差异，就可能导致漏检。更可靠的做法是人工合成一个“理想基准标记”的图像：

# 创建一个合成的基准标记图案
pattern_sizeHW = [args.fiducialOuterDiameterInPixels, args.fiducialOuterDiameterInPixels]
if args.fiducialOuterDiameterInPixels % 2 == 0:  # 保证尺寸是奇数
    pattern_sizeHW[0] += 1
    pattern_sizeHW[1] += 1
fiducial_pattern = np.zeros(pattern_sizeHW, dtype=np.uint8)
cv2.circle(fiducial_pattern, (pattern_sizeHW[1]//2, pattern_sizeHW[0]//2),
           args.fiducialOuterDiameterInPixels//2, 70, cv2.FILLED)  # 外圆暗灰色
cv2.circle(fiducial_pattern, (pattern_sizeHW[1]//2, pattern_sizeHW[0]//2),
           args.fiducialInnerDiameterInPixels//2, 255, cv2.FILLED)  # 内圆白色
# 标准化：让图案均值为0，标准差为1
standardized_fiducial_pattern = (fiducial_pattern.astype(np.float32) - fiducial_pattern.mean()) / fiducial_pattern.std()

标准化处理至关重要。我们期望 matchTemplate() 的输出在图像平坦区域趋近于0，仅在真正匹配到基准标记的位置接近1。这样，后续的阈值筛选将变得清晰明确。

模板匹配

有了模板，就可以调用 matchTemplate() 了：

# 模板匹配
match_img = cv2.matchTemplate(grayscale_img.astype(np.float32),
                              standardized_fiducial_pattern,
                              cv2.TM_CCOEFF_NORMED)
# 为了可视化，把匹配结果填充到与原图相同尺寸
padded_match_8bits_img = np.zeros((img_shapeHWC[0], img_shapeHWC[1]), dtype=np.uint8)
padded_match_8bits_img[fiducial_pattern.shape[0]//2 : fiducial_pattern.shape[0]//2 + match_img.shape[0],
                       fiducial_pattern.shape[1]//2 : fiducial_pattern.shape[1]//2 + match_img.shape[1]] = \
    (128 * (match_img + 1.0)).astype(np.uint8)

这里有个细节需注意：matchTemplate() 基于卷积运算，输出图像的尺寸小于原图。具体而言，若模板为69×69，输出尺寸将在宽度和高度上各减少68像素。我们通过外围补零将其对齐到原图尺寸，同时将匹配结果数值从[-1,1]映射到[0,255]，便于人眼观察。

上图所示的亮斑即为匹配度较高的区域。我们需要从这些亮斑中筛选出真正的基准标记——简而言之，就是要设定一个合适的阈值。

手动调整阈值并不明智。既然已知这块PCB上共有3个基准标记，我们可以逆向思维：从255开始逐步降低阈值，每次统计二值图像中的斑点数量，直到恰好检测到3个斑点为止。这样阈值便能自动确定。

# 自动寻找能检测出预期数量基准标记的最优阈值
blob_detector = blob_analysis.BinaryBlobDetector()
optimal_threshold = None
optimal_seedPoint_boundingBox_list = None
optimal_annotated_blobs_img = None
for threshold in range(255, 1, -1):
    _, thresholded_img = cv2.threshold(padded_match_8bits_img, threshold, 255, cv2.THRESH_BINARY)
    seedPoint_boundingBox_list, annotated_blobs_img = blob_detector.DetectBlobs(thresholded_img)
    logging.info("threshold = %d; number of blobs = %d", threshold, len(seedPoint_boundingBox_list))
    if len(seedPoint_boundingBox_list) >= args.numberOfFiducials:
        optimal_threshold = threshold
        optimal_seedPoint_boundingBox_list = seedPoint_boundingBox_list
        optimal_annotated_blobs_img = annotated_blobs_img
        break
logging.info("Optimal match threshold = %d, found %d blobs",
             optimal_threshold, len(optimal_seedPoint_boundingBox_list))

变换矩阵的计算

至此，我们获得了PCB上三个基准标记的物理坐标（毫米）及其对应的像素坐标。三个点恰好满足计算单应性矩阵的最低要求。该矩阵可实现毫米坐标与像素坐标之间的相互转换。利用它，我们便能在图像上精确标注PCB的轮廓，或裁切出任意感兴趣的区域。

上图标注结果证实三个基准标记均被准确识别，计算出的变换矩阵精度可靠。后续，只需获知某个元件的物理坐标，便可从图像中精确裁切出对应区域进行检验。

在实际生产线上，待检测的PCB通常在传送带上移动，每块板子的位置和角度可能不同。然而，借助基准标记计算出的变换矩阵，无论发生平移还是旋转，我们都能稳定地还原指定的感兴趣区域。