步骤:
1. 随机从数据集中随机抽出4个样本数据 (此4个样本之间不能共线),计算出变换矩阵H,记为模型M;
2. 计算数据集中所有数据与模型M的投影误差,若误差小于阈值,加入内点集 I,第一次迭代等于I_best ;
3. 如果当前内点集 I 元素个数大于最优内点集 I_best , 则更新 I_best = I,同时更新迭代次数k ;
4. 如果迭代次数大于k,则退出 ; 否则迭代次数加1,并重复上述步骤;
应用:求单应性矩阵。
vector<Point2f> vecPointObj;
vector<Point2f> vecPointScene;
Mat H = findHomography(vecPointObj, vecPointScene, RANSAC);//计算透视变换
根据个人简单理解
与最小二乘法相同点是:都是通过数据集求解一个相对合适的模型;区别是:很糟糕的数据不会影响RANSAC的结果,而最小二乘法的最终结果需要考虑所有数据;
最小二乘法:https://blog.csdn.net/ccnt_2012/article/details/81127117