有一个快速而又肮脏的解决方案，那就是简单地在目标图像上滑动一个窗口，并在每个位置计算相似度，然后选择相似度最高的位置。然后，您将相似度与阈值进行比较，如果得分高于阈值，则可以得出图像在那里，那就是位置。如果分数低于阈值，则图像不存在。
作为相似性度量，可以使用归一化的相关性或平方差之和（又称为L2范数）。就像人们提到的那样，这不会处理规模变化。因此，您还要多次缩放原始图像，并对每个缩放版本重复上述过程。取决于输入图像的大小和可能的缩放范围，这可能已经足够好，并且易于实现。
正确的解决方案是使用仿射不变量。尝试查找“宽基线立体声匹配”，人们就在这种情况下研究了该问题。通常使用的方法如下：
原始图像的预处理
- 运行“兴趣点检测器”。这将在图像中找到一些易于定位的点，例如角落。有很多检测器，一个叫做“ harris-affine”的检测器工作良好并且非常流行（因此可能存在实现）。另一种选择是使用高斯差分（DoG）检测器，它是针对SIFT开发的，也可以很好地工作。
- 在每个兴趣点上，提取一个小的子图像（例如30x30像素）
- 对于每个子图像，计算一个“描述符”，即该窗口中图像内容的某种表示形式。同样，存在许多描述符。要看的事情是描述符描述图像内容的程度（您希望两个描述符只有在它们相似时才匹配）以及它的不变性（即使缩放后也希望它们相同）。您的情况下，建议使用SIFT。它不像其他一些描述符那样不变，但是可以很好地应付规模，在您的情况下，规模是唯一发生变化的事情。
在此阶段结束时，您将具有一组描述符。
测试（带有新的测试图像）。
- 首先，您运行与步骤1中相同的兴趣点检测器，并获得一组兴趣点。如上所述，您为每个点计算相同的描述符。现在，您还有一组用于目标图像的描述符。
- 接下来，您寻找匹配项。理想情况下，对于原始图像中的每个描述符，目标图像中都会有一些非常相似的描述符。（由于目标图像较大，因此还会有“剩余”描述符，即与原始图像中的任何点都不对应的点。）因此，如果足够多的原始描述符以足够的相似性进行匹配，则您知道目标是那里。此外，由于描述符是特定于位置的，因此您还将知道原始图像在目标图像中的位置。
