企业官网建设流程全解析

1. 项目概述：从零构建一个工业级形状匹配引擎

最近在做一个工业视觉检测的项目，核心需求是从一堆杂乱的零件中，精准定位出特定型号的工件。这听起来像是模板匹配的经典场景，但实际做起来，你会发现OpenCV自带的matchTemplate在应对旋转、缩放和部分遮挡时，常常力不从心。于是，我把目光投向了更鲁棒的形状匹配（Shape Matching）技术。网上能找到的代码要么是Python版本的，要么是OpenCV老版本的C++接口，在VS2022和OpenCV 4.5.2这个当下主流的开发环境下，总有些水土不服。所以，我决定自己动手，基于OpenCV的cv::matchShapes和轮廓处理，从头搭建一个C++的形状匹配模块，并把它封装成清晰、可复用的源码。这篇文章，就是这次“踩坑”与“填坑”的全过程记录，适合所有需要在C++环境下实现高精度、抗干扰物体定位的开发者，无论是做自动化、质检还是机器人抓取，相信都能从中找到可以直接“抄作业”的解决方案。

2. 核心原理与方案选型：为什么是轮廓匹配？

在开始敲代码之前，搞清楚“用什么”以及“为什么用”至关重要。形状匹配的核心思想是量化两个形状之间的差异度。OpenCV提供了几种方法，但最常用、最直接的就是基于Hu矩（Hu Moments）的cv::matchShapes函数。

2.1 Hu矩：形状的“数字指纹”

你可以把Hu矩理解为形状的“数字指纹”。它是一种对图像轮廓进行数学描述的特征，具有平移、缩放和旋转不变性。这正是我们梦寐以求的特性：无论目标物体在图像中移动了位置、改变了大小，或者旋转了一个角度，它的Hu矩特征基本保持不变。

OpenCV通过cv::HuMoments函数计算轮廓的七个Hu矩（h1到h7）。cv::matchShapes函数则通过计算两个轮廓Hu矩之间的某种距离（比如对数差），来得到一个匹配分数。分数越接近0，表示两个形状越相似。

2.2 为何不直接用matchTemplate？

很多新手会首先想到cv::matchTemplate。它确实简单快速，但它进行的是像素级的灰度值匹配。这意味着：

1. 对光照极度敏感：光线稍暗或反光，匹配效果就急剧下降。
2. 无法处理旋转和缩放：模板图必须和搜索图中的目标朝向、大小完全一致。
3. 计算量大：虽然可以用TM_CCOEFF_NORMED等方法，但在大图中搜索多个尺度和旋转角度时，计算量呈指数增长。

而基于轮廓的形状匹配，只关心物体的边缘形状信息，对纹理、光照变化不敏感，并且天然具备几何不变性（通过Hu矩）。对于工业场景中常见的黑色背景上的亮色工件，或者通过阈值化、边缘提取能稳定获取轮廓的物体，形状匹配是更优的选择。

2.3 我们的技术方案栈

基于以上分析，我确定了本次实现的技术栈：

• 开发环境：Visual Studio 2022。选择它是因为其对C++标准支持好，调试功能强大，社区资源丰富。
• 编译工具：MSVC (Microsoft Visual C++) 编译器。
• 核心库：OpenCV 4.5.2。这是一个长期支持版本，稳定且功能齐全。我们主要使用其imgproc（图像处理）和highgui（高层GUI）模块。
• 核心方法：cv::findContours（查找轮廓） ->cv::drawContours（绘制轮廓） ->cv::matchShapes（形状匹配）。
• 辅助策略：多尺度与多旋转角度搜索。这是提升实用性的关键，我们将通过图像金字塔和仿射变换来实现。

注意：OpenCV从3.x版本开始，许多函数（如findContours）的返回值格式发生了变化。网上很多老教程的代码在4.5.2上直接编译会报错，这也是促使我重写一份“干净”源码的原因之一。

3. 环境搭建与项目配置

工欲善其事，必先利其器。一个正确的环境配置能避免后续90%的诡异编译错误。

3.1 OpenCV 4.5.2的安装与配置

不建议使用安装器，最好从官网下载预编译好的Windows版本（例如opencv-4.5.2-vc14_vc15.exe）。解压到一个没有中文和空格的路径，比如D:\OpenCV\opencv452。

接下来是VS2022中的关键配置步骤，很多教程这里讲得不清不楚：

1. 创建新项目：选择“控制台应用”，命名为ShapeMatchDemo。
2. 配置包含目录：在项目属性 -> C/C++ -> 常规 -> 附加包含目录中，添加OpenCV的include文件夹路径。通常是你的路径\opencv\build\include。
3. 配置库目录：在链接器 -> 常规 -> 附加库目录中，添加OpenCV的lib文件夹路径。注意，这里需要根据你的编译平台选择。对于VS2022，通常使用vc15或更高版本的库。路径类似你的路径\opencv\build\x64\vc15\lib。
4. 配置附加依赖项：这是最容易出错的一步。在链接器 -> 输入 -> 附加依赖项中，添加你需要链接的.lib文件。
   • Debug模式：通常添加opencv_world452d.lib（如果下载的是world版本，一个lib包含所有模块）或者具体的模块lib，如opencv_core452d.lib;opencv_imgproc452d.lib;opencv_highgui452d.lib。
   • Release模式：添加opencv_world452.lib或对应的无d后缀的lib。

   实操心得：我强烈建议在项目属性管理器里，分别为Debug|x64和Release|x64创建属性表（.props文件），一次性配置好包含目录、库目录和依赖项。这样新建任何OpenCV项目时，只需导入这个属性表，无需重复配置，一劳永逸。

5. 配置环境变量：将OpenCV的bin目录（例如你的路径\opencv\build\x64\vc15\bin）添加到系统的Path环境变量中，并重启VS2022。这一步是为了让程序运行时能找到OpenCV的DLL文件。如果不加，编译可能成功，但运行时会弹出“找不到xxx.dll”的错误。

3.2 验证环境：你的第一个OpenCV程序

配置完成后，写一个简单的程序验证一下。

#include <opencv2/opencv.hpp> #include <iostream> int main() { // 创建一个纯黑色的图像 cv::Mat img(500, 500, CV_8UC3, cv::Scalar(0, 0, 0)); // 在图像中心画一个红色的圆 cv::circle(img, cv::Point(250, 250), 100, cv::Scalar(0, 0, 255), -1); // 显示图像 cv::imshow("Test OpenCV", img); cv::waitKey(0); // 等待任意按键 std::cout << "OpenCV environment is set up correctly!" << std::endl; return 0; }

如果能够成功编译并弹出一个显示红色圆圈的窗口，那么恭喜你，环境配置成功。

4. 形状匹配核心源码实现

现在进入核心部分。我们将把功能拆解成几个清晰的函数，方便理解和复用。

4.1 轮廓提取与预处理

形状匹配的第一步是获取高质量的目标轮廓和待检测图像的轮廓。

/** * @brief 从图像中提取主要轮廓 * @param src 输入图像（灰度图或BGR图） * @param contours 输出的轮廓向量 * @param mode 轮廓检索模式，常用 RETR_EXTERNAL（只检测最外层轮廓）或 RETR_LIST（检测所有轮廓） * @param method 轮廓近似方法，常用 CHAIN_APPROX_SIMPLE（压缩水平、垂直和对角线段，仅保留端点） * @return 是否成功提取到轮廓 */ bool extractContours(const cv::Mat& src, std::vector<std::vector<cv::Point>>& contours, int mode = cv::RETR_EXTERNAL, int method = cv::CHAIN_APPROX_SIMPLE) { if (src.empty()) { std::cerr << "Error: Source image is empty!" << std::endl; return false; } cv::Mat gray, binary; // 如果输入是彩色图，转为灰度图 if (src.channels() == 3) { cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); } else { gray = src.clone(); } // 二值化：将灰度图转为黑白图，便于提取轮廓 // 使用自适应阈值或大津法(OTSU)可以更好地应对光照不均 cv::threshold(gray, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU); // 可选：进行形态学操作（如开运算）去除小噪声 cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)); cv::morphologyEx(binary, binary, cv::MORPH_OPEN, kernel); // 查找轮廓 cv::findContours(binary, contours, mode, method); // 过滤掉面积太小的轮廓（可能是噪声） double minArea = 500.0; // 根据实际图像大小调整 auto it = contours.begin(); while (it != contours.end()) { if (cv::contourArea(*it) < minArea) { it = contours.erase(it); } else { ++it; } } return !contours.empty(); }

注意事项：cv::findContours函数会修改输入的二进制图像。如果你后续还需要原图，记得先使用cv::Mat binaryCopy = binary.clone();传入克隆体。另外，轮廓近似方法CHAIN_APPROX_SIMPLE能显著减少轮廓点的数量，提高后续匹配效率，除非你需要每个像素点的精确位置，否则推荐使用。

4.2 单次形状匹配

这是最基础的匹配单元，比较两个轮廓的相似度。

/** * @brief 计算两个轮廓的形状匹配分数 * @param contour1 轮廓1 * @param contour2 轮廓2 * @param method 匹配方法，见 cv::ShapeMatchModes，常用 CONTOURS_MATCH_I1, I2, I3 * @return 匹配分数（距离），值越小越相似 */ double matchTwoShapes(const std::vector<cv::Point>& contour1, const std::vector<cv::Point>& contour2, int method = cv::CONTOURS_MATCH_I1) { if (contour1.size() < 5 || contour2.size() < 5) { // Hu矩要求轮廓点不能太少 std::cerr << "Warning: Contour has too few points for Hu moments calculation." << std::endl; return std::numeric_limits<double>::max(); // 返回一个很大的值表示不匹配 } return cv::matchShapes(contour1, contour2, method, 0.0); } // cv::ShapeMatchModes 枚举值解释： // CONTOURS_MATCH_I1: 使用Hu矩的原始公式，对形状差异敏感。 // CONTOURS_MATCH_I2: 使用Hu矩的对数变换，通常效果更好，更稳定。 // CONTOURS_MATCH_I3: 另一种对数变换形式。 // 实测中，I2 在大多数情况下表现最均衡。

4.3 在场景中搜索最佳匹配

实际应用中，我们有一个模板轮廓，需要在一张复杂的场景图中找到它。

/** * @brief 在场景图中搜索与模板轮廓最匹配的位置 * @param templContour 模板轮廓 * @param sceneImage 场景图（BGR或灰度） * @param bestMatchScore 输出最佳匹配分数 * @param bestMatchContour 输出最佳匹配的轮廓 * @param roi 可选的搜索区域（ROI），cv::Rect()表示全图搜索 * @return 是否找到匹配（通常设定一个分数阈值来判断） */ bool findBestMatchInScene(const std::vector<cv::Point>& templContour, const cv::Mat& sceneImage, double& bestMatchScore, std::vector<cv::Point>& bestMatchContour, cv::Rect roi = cv::Rect()) { std::vector<std::vector<cv::Point>> sceneContours; cv::Mat searchArea; // 如果指定了ROI，则裁剪区域 if (roi.area() > 0) { searchArea = sceneImage(roi).clone(); } else { searchArea = sceneImage.clone(); } // 提取场景图中的所有候选轮廓 if (!extractContours(searchArea, sceneContours)) { return false; } bestMatchScore = std::numeric_limits<double>::max(); bestMatchContour.clear(); int bestIndex = -1; // 遍历所有场景轮廓，与模板轮廓进行匹配 for (size_t i = 0; i < sceneContours.size(); ++i) { double score = matchTwoShapes(templContour, sceneContours[i], cv::CONTOURS_MATCH_I2); // 记录最佳匹配 if (score < bestMatchScore) { bestMatchScore = score; bestIndex = static_cast<int>(i); } } if (bestIndex >= 0) { bestMatchContour = sceneContours[bestIndex]; // 如果使用了ROI，需要将轮廓坐标转换回原图坐标系 if (roi.area() > 0) { for (auto& point : bestMatchContour) { point.x += roi.x; point.y += roi.y; } } return true; } return false; }

4.4 处理旋转与缩放：仿射变换与图像金字塔

基础匹配只能处理平移。要应对旋转和缩放，我们需要扩展搜索空间。

策略一：多角度旋转模板

/** * @brief 生成模板轮廓在多个旋转角度下的副本 * @param originalContour 原始轮廓 * @param angleRange 旋转角度范围（度），如 {-30, 30} * @param angleStep 旋转步长（度），如 5 * @return 旋转后的轮廓向量 */ std::vector<std::vector<cv::Point>> generateRotatedTemplates( const std::vector<cv::Point>& originalContour, const std::pair<double, double>& angleRange, double angleStep) { std::vector<std::vector<cv::Point>> rotatedContours; // 计算轮廓的最小外接矩形中心作为旋转中心 cv::RotatedRect minRect = cv::minAreaRect(originalContour); cv::Point2f center = minRect.center; for (double angle = angleRange.first; angle <= angleRange.second; angle += angleStep) { std::vector<cv::Point> rotatedContour; cv::Mat rotationMat = cv::getRotationMatrix2D(center, angle, 1.0); // 1.0表示不缩放 // 对轮廓中的每个点应用旋转变换 cv::transform(originalContour, rotatedContour, rotationMat); rotatedContours.push_back(rotatedContour); } return rotatedContours; }

策略二：多尺度图像金字塔我们不在代码里生成缩放后的轮廓，而是对场景图进行缩放，然后在不同尺度的图像上搜索。

/** * @brief 使用图像金字塔进行多尺度形状匹配 * @param templContour 模板轮廓（在原始模板图像尺度下） * @param sceneImage 场景图 * @param scaleRange 缩放比例范围，如 {0.5, 2.0} 表示从0.5倍到2.0倍 * @param scaleStep 缩放步长，如 1.1 (每次放大10%) * @param bestScore 输出最佳分数 * @param bestContour 输出最佳轮廓（坐标在原始场景图尺度下） * @param bestScale 输出最佳匹配尺度 */ bool multiScaleShapeMatch(const std::vector<cv::Point>& templContour, const cv::Mat& sceneImage, const std::pair<double, double>& scaleRange, double scaleStep, double& bestScore, std::vector<cv::Point>& bestContour, double& bestScale) { bestScore = std::numeric_limits<double>::max(); bestContour.clear(); bestScale = 1.0; for (double scale = scaleRange.first; scale <= scaleRange.second; scale *= scaleStep) { // 1. 缩放场景图 cv::Mat scaledScene; cv::resize(sceneImage, scaledScene, cv::Size(), scale, scale, cv::INTER_LINEAR); // 2. 在缩放后的场景图中搜索 double currentScore; std::vector<cv::Point> currentContour; if (findBestMatchInScene(templContour, scaledScene, currentScore, currentContour)) { // 3. 将找到的轮廓坐标和分数转换回原始尺度进行比较 // 注意：分数本身受尺度影响较小，但轮廓坐标需要还原 if (currentScore < bestScore) { bestScore = currentScore; bestScale = scale; // 缩放轮廓坐标回原图尺度 bestContour.clear(); for (const auto& pt : currentContour) { bestContour.emplace_back(cv::Point(static_cast<int>(pt.x / scale), static_cast<int>(pt.y / scale))); } } } } return !bestContour.empty(); }

实操心得：同时搜索旋转和尺度会导致计算量爆炸（组合爆炸）。在实际项目中，如果先验知识允许，尽量固定一个维度。例如，如果工件在传送带上只有轻微旋转，可以只搜索旋转；如果相机高度固定，可以只搜索尺度。或者，可以采用由粗到精的策略：先用大的步长（如角度步长10度，尺度步长1.5）快速搜索，在找到的粗略位置附近，再用小步长进行精细搜索。

5. 完整示例与可视化

将上述模块组合起来，形成一个完整的、带可视化效果的示例程序。

#include <opencv2/opencv.hpp> #include <iostream> #include <vector> #include <limits> // 这里插入前面定义的 extractContours, matchTwoShapes, findBestMatchInScene 等函数... int main() { // 1. 加载模板图像和场景图像 cv::Mat templImage = cv::imread("template.png", cv::IMREAD_COLOR); // 模板，例如一个六角螺母 cv::Mat sceneImage = cv::imread("scene.jpg", cv::IMREAD_COLOR); // 场景，包含多个零件的图像 if (templImage.empty() || sceneImage.empty()) { std::cerr << "Could not load images!" << std::endl; return -1; } // 2. 从模板图像中提取轮廓（假设模板图中只有一个目标物体） std::vector<std::vector<cv::Point>> templContours; if (!extractContours(templImage, templContours, cv::RETR_EXTERNAL)) { std::cerr << "Failed to extract template contour!" << std::endl; return -1; } std::vector<cv::Point> targetContour = templContours[0]; // 取第一个，也是最大的轮廓 // 3. 在场景中搜索最佳匹配（基础版本，仅平移） double matchScore; std::vector<cv::Point> matchedContour; if (findBestMatchInScene(targetContour, sceneImage, matchScore, matchedContour)) { std::cout << "Best match found! Score: " << matchScore << std::endl; // 4. 可视化结果 cv::Mat resultVis = sceneImage.clone(); // 绘制找到的轮廓 cv::drawContours(resultVis, std::vector<std::vector<cv::Point>>{matchedContour}, -1, cv::Scalar(0, 255, 0), 3); // 计算并绘制最小外接矩形，更直观 cv::Rect boundingBox = cv::boundingRect(matchedContour); cv::rectangle(resultVis, boundingBox, cv::Scalar(255, 0, 0), 2); // 在矩形上方显示匹配分数 std::string scoreText = "Score: " + std::to_string(matchScore).substr(0, 6); cv::putText(resultVis, scoreText, cv::Point(boundingBox.x, boundingBox.y - 10), cv::FONT_HERSHEY_SIMPLEX, 0.7, cv::Scalar(0, 0, 255), 2); // 显示原图和结果图 cv::imshow("Template", templImage); cv::imshow("Scene", sceneImage); cv::imshow("Matching Result", resultVis); cv::waitKey(0); // 5. 判断是否匹配成功（需要根据实际场景设定阈值） double threshold = 0.1; // Hu矩匹配分数阈值，需要大量实验确定 if (matchScore < threshold) { std::cout << "Match successful! Target located." << std::endl; } else { std::cout << "Match score too high, might not be the correct target." << std::endl; } } else { std::cout << "No match found in the scene." << std::endl; } return 0; }

6. 性能优化与高级技巧

当处理高分辨率图像或需要实时检测时，基础版本的性能可能成为瓶颈。以下是一些优化思路：

6.1 轮廓近似与点集简化

在extractContours函数中，我们已经使用了CHAIN_APPROX_SIMPLE。还可以在匹配前对轮廓进行进一步简化，使用cv::approxPolyDP函数。

/** * @brief 使用Douglas-Peucker算法简化轮廓 * @param contour 输入轮廓 * @param epsilon 近似精度，值越大简化越厉害 * @return 简化后的轮廓 */ std::vector<cv::Point> simplifyContour(const std::vector<cv::Point>& contour, double epsilon) { std::vector<cv::Point> approx; cv::approxPolyDP(contour, approx, epsilon, true); return approx; } // 在匹配前调用：auto simpleContour = simplifyContour(originalContour, 1.0); // epsilon 参数需要根据轮廓周长或经验值调整，例如 epsilon = 0.01 * cv::arcLength(contour, true)

6.2 分级匹配策略

不要一开始就在全图、全尺度、全角度进行精细匹配。

1. 粗定位：先用低分辨率图像（通过cv::pyrDown）或大的轮廓近似epsilon进行快速匹配，找到可能的目标区域（ROI）。
2. 精匹配：只在粗定位得到的ROI内，使用原始分辨率和高精度轮廓进行最终匹配和角度/尺度微调。

6.3 利用多线程

如果确实需要搜索多个角度和尺度，可以使用C++11的std::async或std::thread将不同角度/尺度的匹配任务并行化。

#include <future> #include <vector> std::vector<std::future<double>> futures; std::vector<double> scores(rotatedTemplates.size()); for (size_t i = 0; i < rotatedTemplates.size(); ++i) { futures.push_back(std::async(std::launch::async, [&, i]() { return matchTwoShapes(targetContour, rotatedTemplates[i], cv::CONTOURS_MATCH_I2); })); } // ... 收集结果

6.4 结合其他特征

形状匹配对轮廓完整性要求高。如果目标容易被部分遮挡，可以结合其他特征：

• 颜色特征：在匹配区域内统计颜色直方图，与模板颜色分布进行对比。
• 关键点特征：在轮廓内部使用ORB、SIFT等特征点进行辅助匹配（OpenCV 4.5.2的xfeatures2d模块需要单独编译，SIFT/SURF已移至主仓库但部分专利算法需注意使用许可）。

7. 常见问题排查与调试技巧

在实际开发中，你肯定会遇到各种问题。下面是我总结的一些常见“坑”和解决方法。

7.1 匹配分数始终很高或匹配失败

• 问题：cv::matchShapes返回的分数总是大于1，或者根本无法找到轮廓。
• 排查步骤：
  1. 可视化轮廓：在extractContours函数后，立即用cv::drawContours将找到的轮廓画出来，看看是否成功提取到了你期望的目标轮廓。很可能阈值化参数不对，导致轮廓断裂或包含大量噪声。
  2. 检查二值化：尝试不同的阈值化方法，如自适应阈值cv::adaptiveThreshold，或者先进行高斯模糊cv::GaussianBlur再阈值化，以获得更干净的边缘。
  3. 检查轮廓过滤：调整minArea参数。如果设得太大，可能把目标滤掉了；如果设得太小，会留下太多噪声轮廓，干扰匹配。
  4. 验证Hu矩计算：确保参与匹配的两个轮廓都包含足够多的点（通常>5个）。对于非常简单的形状（如接近直线的轮廓），Hu矩的区分度会下降。

7.2 匹配结果不稳定，同一物体分数波动大

• 问题：同一物体在不同图像中，匹配分数差异显著。
• 可能原因与解决：
  1. 光照变化：形状匹配虽对光照有一定鲁棒性，但极端光照会影响边缘提取。确保打光均匀，或采用更稳定的边缘检测算子（如Canny）代替全局阈值。
  2. 轮廓起点不一致：cv::matchShapes使用的Hu矩具有旋转不变性，但理论上轮廓的起点不同会影响高阶矩。不过在实际应用中，OpenCV的matchShapes实现已经考虑了归一化，这个问题影响较小。如果怀疑是此问题，可以尝试在匹配前对轮廓点进行重新排序（例如按极角排序），但会增加计算量。
  3. 图像噪声：加强预处理，如使用中值滤波cv::medianBlur去除椒盐噪声，或使用形态学闭运算cv::MORPH_CLOSE连接断开的边缘。

7.3 程序运行时崩溃或弹出DLL错误

• 问题：编译成功，但运行时报错或崩溃。
• 解决：
  1. DLL缺失：最常见。确保系统Path环境变量中包含了OpenCV的bin目录（包含opencv_world452.dll等），并且重启了VS2022。也可以将所需的DLL文件直接复制到你的项目.exe文件所在的目录下。
  2. Debug/Release不匹配：在Debug模式下运行，却链接了Release版的lib（没有d后缀），或者反之。仔细检查项目属性中“附加依赖项”的配置是否与当前编译模式一致。
  3. 运行时库不匹配：在项目属性 -> C/C++ -> 代码生成 -> 运行时库，确保设置正确（通常Debug用/MDd，Release用/MD）。这与OpenCV编译时使用的运行时库有关。

7.4 多尺度/多角度搜索速度太慢

• 问题：加入循环后，程序运行缓慢，无法满足实时性要求。
• 优化方向：
  1. 减少搜索空间：利用先验知识。例如，如果工件放在平面上，其旋转轴是固定的，可能只有绕Z轴的旋转。如果相机垂直向下，则只有平面旋转，没有尺度变化（物体大小固定）。
  2. 降低图像分辨率：首先在缩小的图像上进行全局搜索，定位到大致区域后，再在原图对应区域进行精细搜索和角度微调。
  3. 使用ROI：如果目标出现的大致位置是固定的（如传送带中央），就不要在全图搜索。
  4. 并行计算：如6.3节所述，利用多线程并行处理不同的角度或尺度。

7.5 阈值如何设定？

• 问题：匹配分数多少算“匹配成功”？
• 方法：没有通用阈值。这需要通过大量实验，收集“正样本”（包含目标的图像）和“负样本”（不包含目标或包含相似干扰物的图像）的匹配分数分布来确定。
  1. 计算所有正样本的匹配分数，观察其范围（例如0.01到0.05）。
  2. 计算所有负样本的匹配分数，观察其范围# 1. 两数之和

题目

给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。

你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。

你可以按任意顺序返回答案。

思路

• 使用哈希表，将数组中的元素作为key，下标作为value
• 遍历数组，对于每一个元素，计算target - nums[i]的值，判断这个值是否在哈希表中
• 如果在，返回当前元素的下标和哈希表中对应元素的下标
• 如果不在，将当前元素和下标存入哈希表

代码

class Solution { public: vector<int> twoSum(vector<int>& nums, int target) { unordered_map<int,int> map; for(int i = 0; i < nums.size(); i++) { // 遍历当前元素，并在map中寻找是否有匹配的key auto iter = map.find(target - nums[i]); if(iter != map.end()) { // 找到了 return {iter->second,i}; } // 没有找到匹配的key 将当前元素作为key 下标作为value 存入map map.insert(pair<int,int>(nums[i],i)); } return {}; } };