空间验证

空间验证是一种技术，可以通过一连串的图像以自动方式识别类似的位置。一般的方法涉及到识别成套图像中某些点之间的相关性，使用类似于用于图像登记的技术。主要问题是异常值（不适合或不符合所选模型）影响了称为最小二乘法的调整（数学优化中的数字分析技术，给定一组有序的对：自变量、因变量和函数族，试图找到连续函数）。

当人们能够在没有杂波的情况下找到安全的特征时是有效的。在特定情况下对应的结果很好。缺点缩放模型空间验证不能作为后处理使用。方法最广泛用于空间验证和避免这些离群值引起的错误的方法是。随机样本共识（RANSAC）试图避免离群点的影响，这些离群点不符合模型，所以只考虑符合有关模型的内联。如果选择一个离群点来计算当前的设置，那么产生的线将很少得到其他点的支持。所执行的算法是一个循环，执行以下步骤。在整个输入数据集中，随机取一个子集来估计模型。计算模型子集。用标准的线性算法来估计模型。找到转换的匹配值。如果误差是最小的模型，这就被接受了，如果对应的数量足够长，参与共识装配的点的子集就被提及。其目标是保持具有最高匹配数的模型，主要问题是你必须重复这个过程以获得模型的最佳估计的次数。RANSAC事先设定算法的迭代次数。为了指定场景或物体，通常使用仿生变换来进行空间验证。

广义霍夫变换（GHT）这是一种在数字图像中检测形状的技术，通过对一组参数数字的投票程序，通过属于模型的点的集群解决空间的真实性。不是所有可能的组合都能通过调整一个模型的每一个可能的子集来实现的特征，因此，投票技术，在其中每一个点都是为每一个可能的线所存储的投票。然后观察哪些是得票最多的线，这些线被选中。如果我们使用尺度、旋转和平移不变的局部特征，每个特征重合都会给出图片中模型的尺度、平移和方向的假说排列。由单一匹配产生的一个假说可能是不可靠的，所以对于每个匹配，都要进行投票，以便在Hough空间中得到一个更强的假说。所以我们有两个主要阶段。训练。对于每个特征模型，2D保存了模型的位置、比例和方向。测试：每个匹配允许由算法SIFT和模型特征在Hough空间投票。主要缺点是。噪声或杂波可以显示更多的反馈，从那些旨在提供客观。存储阵列的大小应谨慎选择。