相关性原理：首先创建一个模板，把模板里每一个像素当成一个特征，所有像素按列组成一个行向量a，即模板的特征向量。在图像中寻找与模板最匹配的区域b，通过cos\theta=\vec{a}.\vec{b}/|\vec{a}||\vec{b}|，即两个向量之间的夹角来衡量匹配的好坏。说白了，基于互相关其实是一个概率的计算，即通过公式计算roi区域（模板）与待测图之间的相似度。越接近1，两块区域相似度越高。否则，相似度越低。 应用场合：适用于光照不均匀，明暗变化大且背景不能太复杂的场合。适用于光照不均匀，明暗变化大且背景不能太复杂的场合。搜索对象有轻微的变形，大量的纹理，图像模糊等场合，速度快，精度低。 重要函数一： 创建模板：create_ncc_model( Template : : NumLevels, AngleStart, AngleExtent, AngleStep, Metric : ModelID) 参数列表： Template（in）：单通道灰度图像（68），它的区域可被创建为模板 NumLevels（in）：金字塔的最大层级，层数越多，搜索的越快。 AngleStart（in）：模板的最小旋转 AngleExtent（in）：旋转角度范围 AngleStep（in）：角度步长 Metric（in）：匹配标准默认 ‘use_polarity’ 使用全局，如果图像对比度不好，可用忽略全局’ignore_global_polarity’ ModelID（out）：模板句柄，就和自己家的门牌号一样，通过句柄来找到模板图像。
寻找模板：find_ncc_model(Image : : ModelID, AngleStart, AngleExtent, MinScore, NumMatches, MaxOverlap, SubPixel, NumLevels : Row, Column, Angle, Score) 参数列表： Image（in）：单通道图像，它的区域可被创建为模板 ModelID（in）：模板句柄 AngleStart（in）：模板的最小旋转 AngleExtent（in）：旋转角度范围 MinScore（in）：被找到的模板最小分数，该值越大，算法速度越快，但是也越不容易找到目标（比如高考分数线越高，考上的就越少，统计考上的人数也就越快） NumMatches（in）：被找到的模板个数，限制找到的模板个数，默认为零 MaxOverlap（in）：被找到的模板实例最大重叠部分，越接近于1时，图像有一些遮挡也可以找到。越接近于0时，图像有一些遮挡会找不到 SubPixel（in）：亚像素级别标志，true,false NumLevels（in）：金字塔层级数，级数越多，搜索速度越快，但准确度会下降。 Row（out）：被找到的模板实例行坐标 Column（out）：被找到的模板实例列坐标 Angle（out）：被找到的模板实例的旋转角度 Score（out）：被找到的模板实例的分数，分数越高，找到的图像与模板越接近。
