基於幾何特徵的模板匹配通過計算模板圖像與目標圖像特徵信息，來判斷目標圖像中是否有與模板圖像相近或相同的圖像。
模板匹配的大致流程：
首先，需要製作一個模板，並以模板圖像以一定角度旋轉，製作0°–360°各個方向的模板。模板圖像 T 從目標圖像的原點處開始每次移動一個像素，直到匹配分數達到要求找到目標物體。
我們首先從模板圖像的邊緣創建一個數據集或模板模型，該數據集或模板模型將用於目標圖像中去搜索與模板圖像相近或相同的圖像。邊緣檢測的方法與canny邊緣檢測的方法類似。
1利用sobel算子尋找圖像的梯度和方向Sobel算子卷積因子如圖所示
sobel算子在橫向和縱向兩個方向可以與圖像作平面卷積。對於模板圖像某點（x，y）可以得出兩個方向的梯度向量Gx，Gy；
我們計算該像素點幅值梯度：
計算梯度方向：
sobel算子檢測出來的邊緣太粗了，我們需要抑制那些梯度不夠大的像素點，只保留最大的梯度，從而達到瘦邊的目的。這些梯度不夠大的像素點很可能是某一條邊緣的過渡點。按照高數的極大值的定義，即對點（x0，y0）的某個鄰域內所有（x，y）都有f（x，y）≤(f（x0，y0），則稱f在（x0，y0）具有一個極大值，極大值為f（x0，y0）。簡單方案是判斷一個像素點的8鄰域與中心像素誰更大，但這很容易篩選出噪聲，因此我們需要用梯度和梯度方向來輔助確定。
如下圖所示，中心像素C的梯度方向是藍色直線dTmp1，dTmp2是梯度直線上與鄰域交點的值，那麼只需比較中心點C與dTmp1和dTmp2的大小即可。由於這兩個點的像素不知道，假設像素變化是連續的，就可以用g1、g2和g3、g4進行線性插值估計。設g1的幅值M(g1)，g2的幅值M(g2),則M(dtmp1)=w*M(g2)+(1-w)*M(g1) ，其w=distance(dtmp1,g2)/distance(g1,g2) 。也就是利用g1和g2到dTmp1的距離作為權重，來估計dTmp1的值。經過非最大值抑制可以濾除大部分非邊緣點。
經過非極大值抑制之後的邊緣點中，梯度值超過T1的稱為強邊緣，梯度值小於T1大於T2的稱為弱邊緣，梯度小於T2的不是邊緣。可以肯定的是，強邊緣必然是邊緣點，因此必須將T1設置的足夠高，以要求像素點的梯度值足夠大（變化足夠劇烈），而弱邊緣可能是邊緣，也可能是噪聲，如何判斷呢？當弱邊緣的周圍8鄰域有強邊緣點存在時，就將該弱邊緣點變成強邊緣點，以此來實現對強邊緣的補充。
由此我們找到了模板圖像邊緣點的梯度信息Gx，Gy，θ，和位置信息（x，y）在與原圖像匹配之前我們的模板數據集用如下方法表示：
其中pi為相對於模板重心的相對坐標。pi=（Xi，Yi）T，i=1,2,3,4…n構成，對應於每個點有一個梯度方向向量di=（ti，ui）T
計算被搜索圖像（目標圖像）邊緣點梯度信息，邊緣點梯度信息與位置信息的計算同模板製作的過程。
2金字塔下採樣金字塔下採樣後，需得到多級金字塔圖像的邊緣點梯度信息，邊緣點梯度信息與位置信息的計算同模板製作的過程。其中金字塔用來對算法進行加速。
3匹配過程：先在頂層金字塔進行快速搜索匹配得到一個匹配位置，然後在下一層金字塔進行匹配時候就能在該區域的ROI內進行搜索，以此類推，直到最底層。通過金字塔可以大大加快匹配速度。
搜索目標圖像之前，我們設被搜索圖像（目標圖像）點集（xi，yi）T, i=1,2,3,4…n,對應的每個點的方向向量為e（x，y）=（vx，y，wx，y）T
由圖像金字塔算法得到被搜索圖像底層的ROI區域後，模板圖像以重心點為原點在ROI區域進行遍歷搜索。
搜索過程按如下公式進行：
（上式di』相當於上文提到的di=模板的方向向量，pi』相當於上文提到的pi』=模板的邊緣點）
計算的是模板與子圖像對應邊緣點的梯度向量點積平均值。當一對對應邊緣點梯度方向相同是，點積取得最大值，梯度方向正交時，點積為零，梯度方向相反時，點積取得負的最大值。計算得到的相似度量值不方便用於判斷子圖像是否為符合要求的結果，即很難確定一個閾值來篩選所需要的結果。因而對上式進行歸一化處理：
（上式di』相當於上文提到的di=模板的方向向量，pi』相當於上文提到的pi』=模板的邊緣點）
上式描述的是，轉換後的模板與被搜索圖像點(x, y)處子圖像所有對應點的方向向量點積和的歸一化。由於對方向向量進行了歸一化處理，相似度量對任意光照變化具有不變性，不管是模板、還是搜索圖像中有噪聲，由於噪聲導致的方向向量是隨機的，平均起來對以上求和公式沒有貢獻值，因而具有很好的抗幹擾性。上式的取值範圍為[−1, 1]，返回值為1時，表示模板和搜索子圖像與完全匹配。