感觉ncc（相关系数匹配）与bpnet（bp神经网络）相似，但ncc简洁方便快速，计算量小，问题点也少。

都有归一化的动作，都是相关性的学习，不过bpnet可以学习多种类型，ncc好像不行。

卷积神经网络（cnn），我觉得跑不出ncc，bpnet，以及基于轮廓匹配的范畴。

cnn的概念都在以上三种匹配的概念中，没有什么新的东西了。

扯远了，回到ncc的提速上来：

前面有ncc提速和旋转的思考，这里是另外的方法：

第一种方法：取窗口中少数块匹配，比如：

我们学习的窗口和匹配的窗口，如上，我们支取5个小块区域进行匹配，这样，可以提高速度，另外，不必计算整个窗口的均值，只需计算这五个小区域的均值即可，然后使用相关系数p的计算公式即可，第一保证了位置的一致，第二，保证了考察像素的个数一样多。

第二种方法：是上面方法的扩展，我们假定先做找斑点的处理，谁都知道，找斑效率是最高的，然后，我们先去对比学习窗口和匹配窗口的斑点个数，相等，继续使用相关系数公式匹配，不等就舍弃，匹配窗口继续移动，如图：

如果我们学习窗口找到五个斑点，a，b，c，d，e，那么就有五个斑点中心，第一，数目是五，第二，五个位置。

然后全图处理成斑点，用学习相同的窗口挨个找，当匹配窗口出现五个斑点，我们再使用相关系数匹配这五个位置是否ok，如果ok，就匹配成功了！