本文旨在通过在最简单的一元一次方程中运用RANSAC,编写代码,来学习RANSAC算法。
RANSAC算法
RANSAC[1]算法,全程是Random Sample Consensus(随机抽样一致)。它采用迭代的方式从一组包含outliers的数据中估算出回归模型。RANSAC是一个非确定性算法,因为它是“随机抽样”的。
它原来是计算机视觉的算法,后来被用来做线性回归。
RANSAC回归用最少的数据点训练模型,基本算法总结如下:
- 选取的最少的数据点,作为样本。
- 用样本和基础回归器训练模型。
- 根据 ϵ \epsilon ϵ,选出inliers和outliers
- 如果inliers的数量达到了阈值 τ \tau τ,用inliers和基础回归器训练模型
- 判断终止条件。达到,退出。否则,返回1。(最多 N N N次)
迭代次数 N N N,表示在 N N N次迭代以后,至少有一次迭代,任意选取的 m m m个点,都是inliers的概率是 p p p(通常为0.99)。如果inliers的比例是 u u u,我们就有以下公式。
1 − p = ( 1 − u m ) N 1-p=(1-u^m)^N 1−p=(1−um)N
变换后得到:
N = l o g ( 1 − p ) l o g ( 1 − u m ) N = \frac{log(1-p)}{log(1-u^m)} N=log(1−um)log(1−p)
其实,这里我有个疑问。就算,我选择的两个点都是inliers,也无法保证他们他们组成的直线能够穿过其他的inliers。这个就说到RANSAC的原始用途了
在原始的RANSAC算法里,所谓的样本,是指两张照片上面的相同点。如果找到了这样的样本,当然就可以确定他们之间的向量了。但是回归不是这么回事。如果我的inliers比例是95%,那么
N = l o g ( 1 − 0.99 ) l o g ( 1 − 0.9 5 2 ) = l o g ( 0.01 ) l o g ( 1 − 0.9025 ) = − 2 l o g ( 0.0975 ) = − 2 − 1.01 = 2 N = \frac{log(1-0.99)}{log(1-0.95^2)} = \frac{log(0.01)}{log(1-0.9025)} = \frac{-2}{log(0.0975)}=\frac{-2}{-1.01}=2 N=log