공간 검증

공간검증은 일련의 영상을 통해 유사한 위치를 자동화된 방식으로 식별할 수 있는 기법이다.일반적인 방법에는 이미지 등록에 사용되는 기법과 유사한 기법을 사용하여 세트 이미지 사이의 특정 지점 간의 상관 관계를 확인하는 것이 포함된다.

가장 큰 문제는 특이치(선택한 모델에 맞지 않거나 일치하지 않는)가 최소 제곱(수학적 최적화에 프레임된 수학적 분석 기법)이라는 조정(독립 변수, 종속 변수, 함수 패밀리 등 일련의 순서 쌍을 주어진 경우 연속적 함수를 찾으려고 한다)에 영향을 미친다는 점이다.

이점

공간 검증 및 이러한 특이치 방법에 의한 오류 방지 등에 가장 널리 사용되는 것은 다음과 같다.

RANSAC 장착 라인

모형에 맞지 않는 특이치의 영향을 피하려고 하므로 해당 모형에 일치하는 인라인만 고려한다.현재 설정을 계산하기 위해 특이치를 선택하면 결과 선이 나머지 점으로부터 거의 지지되지 않는다.수행되는 알고리즘은 다음 단계를 수행하는 루프다.

전체 입력 데이터 세트 중에서 모형을 추정하기 위해 부분 집합을 랜덤하게 취한다.
모델 부분 집합을 계산하십시오.모델은 표준 선형 알고리즘으로 추정한다.
변환의 일치하는 값을 찾으십시오.
오류가 최소 모델인 경우 이를 수용하고, 대응 횟수가 충분히 길면 합의집합과 관련된 점의 부분집합을 참조한다.그리고 그것은 모든 대응에서 추정된 모델을 계산하게 된다.

가장 일치된 횟수가 많은 모델을 유지하는 것이 목표인데, 가장 좋은 추정치를 얻기 위해 공정을 반복해야 하는 횟수가 주된 문제다.RANSAC는 알고리즘의 반복 횟수를 미리 설정했다.

씬(scene) 또는 객체를 지정하기 위해 공간 검증을 수행하기 위해 일반적으로 애칭 변환을 사용한다.

모형에 속하는 포인트 군집이 파라메트릭 수치 집합에 대한 투표 절차를 통해 공간의 진실성을 해결하는 디지털 영상의 형상 검출 기법이다.

가능한 모든 조합이 가능한 모든 부분 집합에 대한 모델을 조정하여 각 점이 사용되는 각 가능한 선에 대해 표가 저장되는 투표 기법을 결합하지는 않는다.그런 다음 가장 많은 표를 얻은 선이 무엇이었는지 관찰하고 그 선이 선택된다.

규모, 회전, 번역 불변성의 국부적 특성을 사용한다면, 각각의 형상 우연은 그림에서 모델의 스케일, 번역 및 방향에 대한 가설 정렬을 제공한다.

한 번의 시합에 의해 생성된 하나의 가설은 신뢰할 수 없기 때문에, 각 시합(경기)에 대해, 후우 공간에서 더 강한 가설을 얻기 위한 투표가 행해진다.그래서 우리는 크게 두 가지 단계가 있다.

주요 단점은 다음과 같다.

**RANSAC와 GHT의 차이점**
	GHT	란삭
통신	단일 서신, 모든 일관된 매개 변수에 대한 투표	모형 추정에 대한 대응 요소의 최소 부분 집합(레이너 개수)
표현	모델 공간의 불확실성을 나타냄	영상 공간의 불확실성 표시
복잡성	대응 횟수 및 투표 셀 수에서의 선 복잡성	모든 반복에서 인라이어를 검사하기 위한 모든 데이터 지점을 찾아야 한다.
어드밴티지스	더 큰 특이치를 조작할 수 있음	더 나은 차원의 공간 확장

가루만, 크리스틴2012년 8월 9일 "개체 인스턴스 인식"2014년 11월 24일에 검색됨
시빅, 요제프2004년 8월 13일 "비디오 구글 데모"2014년 11월 24일에 검색됨
M. A. 피슐러, R. C. 볼레스.무작위 샘플 컨센서스: 애플리케이션 대 이미지 분석 및 자동화된 카토그래피와 함께 모델 피팅을 위한 패러다임. ACM의 통신, Vol 24, 페이지 381–395, 1981.
시빅, 요제프2004년 1월 5일 "Distive Image Features".2014년 11월 24일에 검색됨