RANSAC介绍（Matlab版直线拟合+平面拟合）

RANSAC介绍（Matlab版直线拟合+平面拟合）

本人邮箱：[email protected]，欢迎交流讨论，
欢迎转载，转载请注明网址http://blog.csdn.net/u010128736/

一、RANSAC介绍

   随机抽样一致算法（RANdom SAmple Consensus,RANSAC）,采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。维基百科中的RANSAC该算法最早由Fischler和Bolles于1981年提出。RANSAC算法假设数据中包含正确数据和异常数据（或称为噪声）。正确数据记为内点（inliers），异常数据记为外点（outliers）。同时RANSAC也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。该算法核心思想就是随机性和假设性，随机性是根据正确数据出现概率去随机选取抽样数据，根据大数定律，随机性模拟可以近似得到正确结果。假设性是假设选取出的抽样数据都是正确数据，然后用这些正确数据通过问题满足的模型，去计算其他点，然后对这次结果进行一个评分。
  RANSAC算法被广泛应用在计算机视觉领域和数学领域，例如直线拟合、平面拟合、计算图像或点云间的变换矩阵、计算基础矩阵等方面，使用的非常多。本文将在对RANSAC介绍完后，附两段直线拟合以及平面拟合的matlab代码。关于计算机视觉中基于RANSAC框架的矩阵求解问题，在OpenCV中都有对应的函数接口，如果以后有机会再把这个整理出来。

二、算法基本思想

  如下图所示，存在很多离散的点，而我们认为这些点构成了一条直线。当然，人眼能很清晰地拟合出这条直线，找到外点。但要让计算机找到这条直线，在很久之前是很难的，RACSAC的出现是通过数学之美解决这一难题的重要发明。

通过实例对算法基本思想进行描述：

（1）首先，我们知道要得到一个直线模型，我们需要两个点唯一确定一个直线方程。所以第一步我们随机选择两个点。
（2）通过这两个点，我们可以计算出这两个点所表示的模型方程y=ax+b。
（3）我们将所有的数据点套到这个模型中计算误差。
（4）我们找到所有满足误差阈值的点，第4幅图中可以看到，只有很少的点支持这个模型。
（5）然后我们再重复（1）~（4）这个过程，直到达到一定迭代次数后，我们选出那个被支持的最多的模型，作为问题的解。如下图所示：

以上是对RANSAC算法的基本思想的介绍，我们可以发现，虽然这个数据集中外点和内点的比例几乎相等，但是RANSAC算法还是能找到最合适的解。试想一下，这个问题如果使用最小二乘法进行优化，由于噪声数据的干扰，我们得到的结果肯定是一个错误的结果，如下图所示。这是由于最小二乘法是一个将外点参与讨论的代价优化问题，而RANSAC是一个使用内点进行优化的问题。经实验验证，对于包含80%误差的数据集，RANSAC的效果远优于直接的最小二乘法。

三、RANSAC的数学推导

  我们假设内点在整个数据集中的概率为t，即：

t=ninliersninliers+