RANSAC算法及其代码解析

RANSAC算法简介

随机抽样一致性算法（Random sample consensus,RANSAC）是一种使用迭代的方法，从受噪声污染的数据集中估计数学模型参数的算法，与最小二乘法所起作用相同，各自的适用情况不同。RANSAC算法假设数据集中存在局内点（inlier）和局外点（outlier），并且假设只有判定的局内点才可以用来计算模型，局外点不应该对模型参数的求解产生任何影响。该算法是Fischler和Bolles 1981年在SRI International上提出的，他们使用该算法来解决3D重建中的位置确定问题（Location Determination Problem, LDP）。目前RANSAC算法被广泛用于计算机视觉领域中图像匹配、全景拼接等问题，比如从数对匹配的特征点中求得两幅图片之间的射影变换矩阵，OPENCV实现stitching类时即使用了该算法。
RANSAC算法与最小二乘法的不同之处主要有以下两点：
1. 最小二乘法总是使用所有的数据点来估计参数，而RANSAC算法仅使用局内点；
2. 最小二乘法是一种确定性算法，给定数据集，每一次所得到的模型参数都是相同的；而RANSAC算法是一种随机算法，受迭代次数等的影响，每一次得到的参数一般都不相同。
3. 一般而言，RANSAC算法先根据一定的准则筛选出局内点和局外点，然后对得到的局内点进行拟合，拟合方法可以是最小二乘法，也可以是其他优化算法，从这个角度来说，RANSAC算法是最小二乘法的扩展。
算法的求解过程如下：

1. 首先从数据集中随机选出一组局内点（其数目要保证能够求解出模型的所有参数），计算出一套模型参数。
2. 用得到的模型去测试其他所有的数据点，如果某点的误差在设定的误差阈值之内，就判定其为局内点，否则为局外点，只保留目前为止局内点数目最多的模型，将其记录为最佳模型。
3. 重复执行1,2步足够的次数（即达到预设的迭代次数）后，使用最佳模型对应的局内点来最终求解模型参数，该步可以使用最小二乘法等优化算法。
4. 最后可以通过估计局内点与模型的错误率来评估模型。

---

C++代码实现

Ziv Yaniv以最简单的直线拟合为例，写过一版RANSAC算法的C++实现，没有依赖任何其他库，但该版代码对C++的依赖较重，使用了C++的一些高级数据结构，比如vector, set，在遍历时还使用了递归算法。详细代码可参见RANSAC代码示例
部分代码及相关注释如下：

//顶层变量定义
vector<double> lineParameters;//存储模型参数
LineParamEstimator lpEstimator(0.5);//误差阈值设置为0.5
vector<Point2D> pointData;//数据点集
int numForEstimate=2;//进行一次参数估计所需的最小样本点数，因为是直线拟合，所以可以直接设为2



//顶层函数的定义
    /**
    * Estimate the model parameters using the maximal consensus set by going over ALL possible
    * subsets (brute force approach).
    * Given: n -  data.size()
    *        k - numForEstimate
    * We go over all n choose k subsets       n!
    *                                     ------------
    *                                      (n-k)! * k!
    * @param parameters A vector which will contain the estimated parameters.
    *                   If there is an error in the input then this vector will be empty.
    *                   Errors are: 1. Less data objects than required for an exact fit.
    * @param paramEstimator An object which can estimate the desired parameters