RANSAC笔记

刚来实验室那会儿，每周组会汇报，师兄报告时，和老板讨论，总听到“那就对数据RANSAC一下”……当时我怯生生的问了一下师兄，啥叫RANSAC？现在也不记得师兄咋解释的，后来自己也经常调用matlab里的ransac函数求解单应性矩阵，但是对其具体原理我还真没花时间去了解一下，今天就做一下笔记，理解理解什么叫RANSAC。

什么叫RANSAC？

直译过来随机采样一致性（random sample consensus）。具体什么意思，了解其算子过程和原理就很容易理解了。这里我想首先强调的一点就是，RANSAC是一种思想，一个求解已知模型的参数的框架。它不限定某一特定的问题，可以是计算机视觉的问题，同样也可以是统计数学，甚至可以是经济学领域的模型参数估计问题。

RANSAC的具体步骤？

谈算法的步骤之前，首先得说明这个算法的输入输出，然后才是是具体算法步骤。

输入：
1. 在RANSAC定义中，已经说过，它是一种求解已知模型的参数的框架。所以这个模型的形式，得给出。也就是说，你所求解的模型是一阶模型？二阶模型还是什么的…..你得给出来，这样模型需要求解的参数个数也就确定了。
2. 一堆数据。这一堆数据中是允许出现错误数据的（野点或者外点），也许你会纳闷为啥要给有错误的数据。这是因为在实际的数据采集中，难免受到噪声的污染，数据的准确性也就难以保证，所以存在错误数据是非常合理的情况。这也是RANSAC流行的原因，相比于最小二乘（线性回归），他对数据的错误的鲁棒性更好。有博文中写到，“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”，这个我没有证实，但是我相信应该是对的吧。
3. 迭代次数$k$，内外点距离阈值$t_1$，一致性集合大小阈值$t_2$。这三个参数根据不同的问题，会有不同的值。现在也不介绍他们到底是什么意思，等算法步骤流程说完了再介绍他们，那样应该更加清晰明了。

---

算法流程
下面均已从一堆点中估计直线方程这个问题进行展开，其他比如单应性矩阵求解等问题可以类比。

1. 从数据中随机选取模型参数估计的最少的数据（对于直线估计问题，两个点确定一条直线，当然就随机选取两个数据。），然后计算出直线方程。
2. 然后计算数据集中其余点与已算出模型的距离$d$，当$d<t_1$时就判定该点为内点（inlier），当$d>t_1$就判定为外点（outlier）。然后统计内点个数$n$，当