實現:
1.對素材圖像四周無意義的像素進行裁剪的函數
2.針對矩陣的模板匹配的個人實現(母圖1920*1080，單線程30s得出MSE矩陣)
3.針對任意自由形狀的模板匹配(母圖1920*1080，單線程高達9分鐘才得出MSE矩陣)
總結:
模板匹配自動面相應該是行不通了，適合目前這個場景的算法效率低的難以接受，我也不知道怎麼去改進了，畢竟我本身算法能力就弱。
對矩陣的MSE模板匹配效率還不錯，但是一但要屏蔽掉無關像素對MSE的貢獻，那效率是蹭蹭的下滑。
之後三四天有別的事情，所以暫時不會繼續推進
預告:
1，姑且試一下特徵匹配去面相吧，不過基本不太抱希望。一方面是我之前沒接觸這方面的算法，另一方面是這算法的應用基本都是面向目標傾斜、旋轉的情況，和麵相的場景不是很匹配。
2，用梯度做一下輪廓提取，然後寫一個類似於模板匹配的對輪廓相似度進行評估的算法，主要是用梯度提取輪廓信息，捨棄顏色信息。因為有素材，對素材提出來的特徵可以對應到卷積神經網絡的深層特徵，我再研究研究CNN的深層特徵參與到全連接層中後是如何參與預測的再看看能不能實現面相，總體上來說還是有希望的。
3，哪天腦子不想動彈了可以更新一下新版本佔堡收益的帖子了，反正就是錄個數據重新拉個透視表，之後拉一拉單元格的事，有手就行的小玩意。
4，進度條識別的bug修復，以前小圖容易腐蝕斷，導致算法不適配，剛才想了一下已經有思路了。
5，深度學習想實現自動面相應該是蠻簡單的，目標檢測，圖像分割，圖像分類，含量預測，有很多模型都可以套用。但是深度學習雖然簡單粗暴，要求卻很苛刻。
首先是數據集的製作，耗時耗力不說，面相需要的數據集規模還不小，最關鍵的是該場景還有覆蓋率要求。
其次是算力的要求，我手上的顯卡太拉胯了，算力和顯存都遠遠不足，屬於是隻能跑跑簡單場景的CNN的垃圾卡。所以呢，方向雖然明確，但我基本不會考慮，不過考慮到萬一，姑且寫在預告一欄當中，等待一個小小的奇蹟。
6.關於精確成長測量，哪天不想動腦子了就去按我之前寫的教程測一測，畢竟我寫的那個識別腳本沒幾個人在用，應該是指望不上別人咯。