定義
**彈性模板匹配** 是一類**模板非固定、隨時間/幀動態更新**的匹配策略。與「剛性模板」(單一靜態模板) 相對，彈性模板允許模板**形變、平移、尺度變化**，並根據新觀測**線上學習/適應**。
核心機制
- 初始化：第一幀或手動標註提取目標區域作為初始模板
T₀。
- 追蹤/匹配：後續幀中，在搜尋窗口內以相似度度量 (NCC、SSD、深度特徵距離) 找到最佳匹配位置
pₜ。
- 模板更新：依策略融合當前觀測
I(pₜ) 到模板：
- **線性融合**：
Tₜ = (1-α)Tₜ₋₁ + α I(pₜ) (α ∈ [0,1])。
- **關鍵幀替換**：信心度高時直接替換。
- **多模板集合**：維護多個歷史模板，投票匹配。
- 形變處理：引入仿射/投影變換參數，允許模板旋轉、縮放、剪切，優化匹配時同步估計姿態。
優缺點
| 優點 | 缺點 |
|---|
| 適應外觀變化 (光照、表情、姿態) | **模板漂移**：錯誤更新導致模板逐漸偏離目標，最終鎖定背景 |
| 無需大量訓練資料，線上即時 | 計算量較大 (需每幀搜尋+更新) |
| 適合單目標長時序追蹤 | 遮擋、快速運動易失效 |
人臉識別中的應用場景
- 視訊人臉追蹤：攝影機串流中持續鎖定同一人臉，模板隨表情、角度變化更新。
- 活體檢測輔助：追蹤臉部關鍵點位移，判斷是否為真人 (眨眼、轉頭)。
- 註冊階段增強：用戶轉動頭部時，自動收集多角度模板融合成單一彈性模板，提升後續辨識率。
現代改進：深度學習 + 彈性模板
- 用 **Siamese Network / Triplet Loss** 學習**度量空間**，而非像素空間匹配，大幅抗光照/姿態變化。
- 結合 **Kalman Filter / Correlation Filter (KCF, MOSSE)** 進行高速追蹤，模板在特徵空間更新。
- **Memory Network / Prototype Network** 維護類別原型向量，新樣本以注意力機制融合更新原型，屬於高層語義的彈性模板。
經典參考文獻
- Ross, D. A., et al. "Incremental Learning for Robust Visual Tracking." IJCV 2008. (增量學習追蹤)
- Henriques, J. F., et al. "High-Speed Tracking with Kernelized Correlation Filters." TPAMI 2015. (KCF)
- Bertinetto, L., et al. "Fully-Convolutional Siamese Networks for Object Tracking." ECCV 2016. (SiamFC)
