在特征匹配算法中，模板匹配是一种常用的方法，它用于在给定的图像中查找与预定义模板相匹配的图像区域。模板匹配方法有以下几种常见的形式：

  1. 互相关（Cross-correlation）：互相关是一种基本的模板匹配算法，它通过计算模板与图像的像素值之间的相似性来判断匹配程度。互相关算法通常包括离散互相关和归一化互相关两种形式。

  2. 归一化互相关系数（Normalized Cross-correlation，NCC）：归一化互相关系数是一种在互相关基础上改进的方法，它通过对互相关结果进行归一化，以减小模板在图像中的尺度和亮度变化对匹配结果的影响。

  3. 傅立叶变换（Fourier Transform）：傅立叶变换可以将图像从空间域转换到频率域，通过在频率域进行匹配可以加速模板匹配的过程。傅立叶变换可以基于互相关或相关性匹配来实现。

  4. 特征描述子匹配（Feature Descriptor Matching）：特征描述子匹配是一种通过在图像中提取特征点，并计算特征点的描述子来进行匹配的方法。常用的特征描述子包括SIFT、SURF、ORB等，这些描述子可以用于找到图像中与模板相似的特征点。

  5. 形状匹配（Shape Matching）：形状匹配是一种通过比较图像对象的形状特征来进行匹配的方法。常见的形状匹配算法包括基于轮廓匹配的方法和基于图形结构的方法等。

  这些模板匹配方法在不同的场景中有着不同的应用，选择合适的方法取决于具体的问题和数据。需要根据实际情况评估不同方法的表现并选择最合适的方法来进行匹配。