空間驗證是一種技術，可以通過一連串的圖像以自動方式識別類似的位置。一般的方法涉及到識別成套圖像中某些點之間的相關性，使用類似于用于圖像登記的技術。主要問題是異常值（不適合或不符合所選模型）影響了稱為最小二乘法的調整（數學優化中的數字分析技術，給定一組有序的對：自變量、因變量和函數族，試圖找到連續函數）。

當人們能夠在沒有雜波的情況下找到安全的特征時是有效的。在特定情況下對應的結果很好。缺點縮放模型空間驗證不能作為后處理使用。方法最廣泛用于空間驗證和避免這些離群值引起的錯誤的方法是。隨機樣本共識（RANSAC）試圖避免離群點的影響，這些離群點不符合模型，所以只考慮符合有關模型的內聯。如果選擇一個離群點來計算當前的設置，那么產生的線將很少得到其他點的支持。所執行的算法是一個循環，執行以下步驟。在整個輸入數據集中，隨機取一個子集來估計模型。計算模型子集。用標準的線性算法來估計模型。找到轉換的匹配值。如果誤差是最小的模型，這就被接受了，如果對應的數量足夠長，參與共識裝配的點的子集就被提及。其目標是保持具有最高匹配數的模型，主要問題是你必須重復這個過程以獲得模型的最佳估計的次數。RANSAC事先設定算法的迭代次數。為了指定場景或物體，通常使用仿生變換來進行空間驗證。

廣義霍夫變換（GHT）這是一種在數字圖像中檢測形狀的技術，通過對一組參數數字的投票程序，通過屬于模型的點的集群解決空間的真實性。不是所有可能的組合都能通過調整一個模型的每一個可能的子集來實現的特征，因此，投票技術，在其中每一個點都是為每一個可能的線所存儲的投票。然后觀察哪些是得票最多的線，這些線被選中。如果我們使用尺度、旋轉和平移不變的局部特征，每個特征重合都會給出圖片中模型的尺度、平移和方向的假說排列。由單一匹配產生的一個假說可能是不可靠的，所以對于每個匹配，都要進行投票，以便在Hough空間中得到一個更強的假說。所以我們有兩個主要階段。訓練。對于每個特征模型，2D保存了模型的位置、比例和方向。測試：每個匹配允許由算法SIFT和模型特征在Hough空間投票。主要缺點是。噪聲或雜波可以顯示更多的反饋，從那些旨在提供客觀。存儲陣列的大小應謹慎選擇。