图像识别方案的选择思考，由于自己选择方案的失策，导致把三种方案都实现了一遍，花了很多时间吸取教训，但是也获得了经验。大体方向上可以分为模板匹配的识别方式，机器学习训练模型，CNN神经网络训练模型三种。
模板匹配的识别方式，主要是考虑识别速度和需要匹配的模板数量，识别速度和匹配的图像大小，需要匹配的模板数量相关。识别一次匹配的模板数量尽量少，可以提前在光照、颜色上区分成不同的模式，减少需要匹配的模板数量。被识别的图像可以适当缩放，同时模板也进行缩放，可以明显提高匹配速度，但是会牺牲一定的识别精度。裁剪有缺失的图像，模板匹配效果不佳，需要适当扩展外围，会增加匹配时间。光照均匀，角度比较固定，图像和模板差距不大的识别场景，可以考虑使用这种方式，使用opencv加上自己准备的模板就可以实现初步评估。移植的时候需要编译opencv。
机器学习训练模型，需要自己设计特征，训练速度和需要的训练集图像数量远远少于CNN，识别精度和适应性与自己设计的特征相关，一般来说训练速度快于CNN，识别精度不如CNN，识别速度快于模板匹配，精度可能不如模板匹配。设计特征一般是颜色，灰度，边缘。建议是不同特征各自一个模型，试过直接串联不同特征的效果并不好。移植需要编译opencv和相关机器学习代码，比如SVM。
CNN卷积神经网络模型，需要自己准备大量训练图像，训练图像尽量贴近实际识别的图像，懂得设计网络模型，简化模型参数。训练依赖GPU，生成训练图像和调整网络模型比较耗时，但是不用自己设计特征了。移植的时候编译ncnn，模型转换为ncnn格式。识别精度和训练的模型相关，一般优于模板匹配和机器学习，识别速度一般快于模板匹配。主要的难度在于生成训练图像和调整网络模型。
识别精度不需要特别高，速度上要快可以考虑机器学习先测试效果；场景单一，识别速度不需要特别快，可以考虑用模板匹配；场景光源多变，识别精度、速度要求高，直接上CNN，前期多准备训练图像，加上自己生成训练图像，找一些github上的模型结构改良。