Нужен алгоритм для поиска объекта по растровому эталонному изображению

Ты таки шоли спрашиваешь как тебе написать прошивку для головки наведения? ;)

Вобще глянь в сторону нейросетей, они на это часто используются.

Хм-хм. Хорошо , попробую посмотреть нейросети - их я ещё не
изучал ни разу. Даже книжка у меня по ним есть бумажная ...

Нет, это не аэрофотосъемка. Это задача OCR.

Насколько знаю OCR как раз нейросетями и делают. Только там ч/б изображения, а не монохром т.к. на них проще нейросети делать, но и точность страдает.

ч/б изображения, а не монохром

Корреляционная функция (по трём измерениям - x, y, угол поворота. Плюс, если надо, по масштабированию). По сути брутфорс, но показывающий не точное совпадение, а степень приближения к совпадению. Есть быстрые алгоритмы вычисления на основе преобразования Фурье.

Сложная это задача. Если бы без вращения и масштабирования, то достаточно было бы скоррелировать изображение с объектом.

Если только с вращением — выбираем в объекте и в области изображения, где он находится, базовые точки и ищем наилучшее совпадение (я такой алгоритм реализовывал).

Если только с масштабированием — берем пару наиболее ярких базовых точек, расстояние между ними считаем базисом и проверяем на остальных.

В общем же случае нужно смотреть, что за объект. Скажем, если на нем есть четкие линии или окружности, можно попытаться привлечь Хафа. Если его можно выразить аналитической функцией — еще лучше.

Вот моя статейка про поиск эталона, который может смещаться и вращаться (без масштабирования).

Man opencv

если нужный объект не масштабирован, то можно советовать пробежать по нужному региону скользящим окном, а внутри окна посчитать какой-нибудь LPB / HOG (http://en.wikipedia.org/wiki/Local_binary_patterns) ну и где гистограммы отличаются меньше всего - там наверно и есть ваш объект. Насчёт патентованности - хз ;)

для поиска объекта по растровому эталонному изображению

Возможны разные варианты:
1. Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии: введение в цифровую оптику.
Глава 8.2. Локализация точно известного объекта при пространственно-однородном критерии оптимальности.

2. Использовать инвариант группы аффинных преобразований. Например, преобразование Фурье-Меллина, обладающее инвариантностью к масштабированию, вращению и сдвигу объекта. Далее, обычный корреляционный анализ.

P.S. Для повышения надёжности локализации полезно выполнить разбеливание изображения (8.4. Ярославский).

на хабре был цикл статей про распознавание автомобильных номеров.
кажется, прототип был на матлабе

Это вообще старье из Гонсалеса&Вудса десятилетней давности.

Спасибо за толчок к развитию. Буду думать. :)

И что? Заменяем пороговую функцию в нейроне, на более гладкую и всего-то делов.

Берешь свое изображение, или какую-то его свертку(например, градиент). И потом берешь, да решаешь задачу image registration. В двух словах: фиксируешь класс трансформаций(только смещение, или поворот, или вообще афинные), вводишь метрику(mean squares в твоем случае), херачишь какой-нибудь метод оптимизации по параметрам введеной трансформации, он должен быть достаточно робастным тк, вообще говоря, твой функционал не будет выпуклым. Короче, man «image registration» в новом матлабе в CV toolbox есть даже функции для 2d регистрации.

Но, вообще, мне кажется, что это излишне мложно для вашей задачи. Если вам надо только сдвиг и вращение, то это rigid transform. +По каким-нибудь трешолдам ищете края и применяете вот это https://en.wikipedia.org/wiki/Orthogonal_Procrustes_problem для чего есть closed form solution

Ах, да. Куча этих методов для 2 3 d одно- и много- модальных задач есть в таком монстре, который называется ITK. Если у вас не получится решить задачу более простыми методами, то я готов помочь чем могу в этой области. ЛИбо тут, либо в ЛС.