La verificación espacial es una técnica que permite identificar de forma automática localizaciones similares a través de una secuencia de imágenes. El método general consiste en identificar una correlación entre determinados puntos entre conjuntos de imágenes, utilizando técnicas similares a las utilizadas para el registro de imágenes .
El problema principal es que los valores atípicos (que no se ajustan o no coinciden con el modelo seleccionado) afectan al ajuste llamado mínimos cuadrados (técnica de análisis numérico enmarcada en la optimización matemática, que, dado un conjunto de pares ordenados: variable independiente, variable dependiente y una familia de funciones, trata de encontrar la función continua).
Los métodos más utilizados para la verificación espacial y evitar errores causados por estos valores atípicos son:
Busca evitar el impacto de los valores atípicos, que no encajan con el modelo, por lo que solo considera los valores inline que encajan con el modelo en cuestión. Si se elige un valor atípico para calcular la configuración actual, entonces la línea resultante tendrá poco soporte del resto de puntos. El algoritmo que se realiza es un bucle que realiza los siguientes pasos:
El objetivo es mantener el modelo con el mayor número de coincidencias y el problema principal es la cantidad de veces que se debe repetir el proceso para obtener la mejor estimación del modelo. RANSAC establece de antemano el número de iteraciones del algoritmo.
Para especificar escenas u objetos, comúnmente se utilizan transformaciones afines para realizar la verificación espacial.
Se trata de una técnica de detección de formas en imágenes digitales que resuelve la veracidad del espacio mediante agrupaciones de puntos pertenecientes al modelo a través de un procedimiento de votación sobre un conjunto de figuras paramétricas.
No todas las combinaciones posibles se comparan con las características ajustando un modelo para cada subconjunto posible, de modo que se utiliza la técnica de votación, en la que se almacena un voto para cada línea posible en la que se utiliza cada punto. Luego se observan cuáles fueron las líneas con más votos y se seleccionan.
Si utilizamos las características locales de escala, rotación y traslación invariantes, cada coincidencia de características proporciona una alineación de hipótesis para la escala, la traslación y la orientación del modelo en la imagen.
Una hipótesis generada por una sola coincidencia puede ser poco fiable, por lo que para cada coincidencia (match), se realiza una votación para obtener una hipótesis más sólida en el espacio de Hough. Así que tenemos dos fases principales:
Las principales desventajas son: