RANSAC是“RANdom SAmple Consensus(随机抽样一致)”的缩写。它可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数。该算法最早由Fischler和Bolles于1981年提出。
RANSAC的基本假设是:
(1)数据由“局内点”组成,例如:数据的分布可以用一些模型参数来解释;
(2)“局外点”是不能适应该模型的数据;
(3)除此之外的数据属于噪声。
局外点产生的原因有:噪声的极值;错误的测量方法;对数据的错误假设。
RANSAC也做了以下假设:给定一组(通常很小的)局内点,存在一个可以估计模型参数的过程;而该模型能够解释或者适用于局内点。
给定两个点p1与p2的坐标,确定这两点所构成的直线,要求对于输入的任意点p3,都可以判断它是否在该直线上。初中解析几何知识告诉我们,判断一个点在直线上,只需其与直线上任意两点点斜率都相同即可。实际操作当中,往往会先根据已知的两点算出直线的表达式(点斜式、截距式等等),然后通过向量计算即可方便地判断p3是否在该直线上。
生产实践中的数据往往会有一定的偏差。例如我们知道两个变量X与Y之间呈线性关系,Y=aX+b,我们想确定参数a与b的具体值。通过实验,可以得到一组X与Y的测试值。虽然理论上两个未知数的方程只需要两组值即可确认,但由于系统误差的原因,任意取两点算出的a与b的值都不尽相同。我们希望的是,最后计算得出的理论模型与测试值的误差最小。大学的高等数学课程中,详细阐述了最小二乘法的思想。通过计算最小均方差关于参数a、b的偏导数为零时的值。事实上,在很多情况下,最小二乘法都是线性回归的代名词。
遗憾的是,最小二乘法只适合与误差较小的情况。试想一下这种情况,假使需要从一个噪音较大的数据集中提取模型(比方说只有20%的数据时符合模型的)时,最小二乘法就显得力不从心了。例如下图,肉眼可以很轻易地看出一条直线(模式),但算法却找错了。
![点击查看原始大小图片](http://dl.iteye.com/upload/attachment/434949/cc926872-b5fe-3831-b5ca-f590d1b3e300.jpg)
RANSAC算法的输入是一组观测数据(往往含有较大的噪声或无效点),一个用于解释观测数据的参数化模型以及一些可信的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点,并用下述方法进行验证:
- 有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。
- 用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点。
- 如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理。
- 然后,用所有假设的局内点去重新估计模型(譬如使用最小二乘法),因为它仅仅被初始的假设局内点估计过。
- 最后,通过估计局内点与模型的错误率来评估模型。
- 上述过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用。
伪码形式的算法如下所示:
输入:
data —— 一组观测数据
model —— 适应于数据的模型
n —— 适用于模型的最少数据个数
k —— 算法的迭代次数
t —— 用于决定数据是否适应于模型的阀值
d —— 判定模型是否适用于数据集的数据数目
输出:
best_model —— 跟数据最匹配的模型参数(如果没有找到好的模型,返回null)
best_consensus_set —— 估计出模型的数据点
best_error —— 跟数据相关的估计出的模型错误
iterations= 0
best_model = null
best_consensus_set = null
best_error = 无穷大
while ( iterations < k )
maybe_inliers = 从数据集中随机选择n个点
maybe_model = 适合于maybe_inliers的模型参数
consensus_set = maybe_inliers
for ( 每个数据集中不属于maybe_inliers的点 )
if ( 如果点适合于maybe_model,且错误小于t )
将点添加到consensus_set
if ( consensus_set中的元素数目大于d )
已经找到了好的模型,现在测试该模型到底有多好
better_model = 适合于consensus_set中所有点的模型参数
this_error = better_model究竟如何适合这些点的度量
if ( this_error < best_error )
我们发现了比以前好的模型,保存该模型直到更好的模型出现
best_model = better_model
best_consensus_set = consensus_set
best_error = this_error
增加迭代次数
返回 best_model, best_consensus_set, best_error
RANSAC算法的可能变化包括以下几种:
(1)如果发现了一种足够好的模型(该模型有足够小的错误率),则跳出主循环。这样可能会节约计算额外参数的时间。
(2)直接从maybe_model计算this_error,而不从consensus_set重新估计模型。这样可能会节约比较两种模型错误的时间,但可能会对噪声更敏感。
其实核心就是随机性和假设性。随机性用于减少计算了,那个循环次数就是利用正确数据出现的概率。所谓的假设性,就是说随机抽出来的数据我都认为是正确的,并以此去计算其他点,获得其他满足变换关系的点,然后利用投票机制,选出获票最多的那一个变换。
整个过程可参考下图:
![点击查看原始大小图片](http://dl.iteye.com/upload/attachment/435007/919d805f-83e8-3bcd-bb1a-4051d7f55649.jpg)
关于算法的源代码,Ziv Yaniv曾经写一个不错的C++版本,我在关键处增补了注释:
- #include <math.h>
- #include "LineParamEstimator.h"
- LineParamEstimator::LineParamEstimator(double delta) : m_deltaSquared(delta*delta) {}
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 通过输入的两点来确定所在直线,采用法线向量的方式来表示,以兼容平行或垂直的情况
- * 其中n_x,n_y为归一化后,与原点构成的法线向量,a_x,a_y为直线上任意一点
- */
- void LineParamEstimator::estimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- parameters.clear();
- if(data.size()<2)
- return;
- double nx = data[1]->y - data[0]->y;
- double ny = data[0]->x - data[1]->x;// 原始直线的斜率为K,则法线的斜率为-1/k
- double norm = sqrt(nx*nx + ny*ny);
- parameters.push_back(nx/norm);
- parameters.push_back(ny/norm);
- parameters.push_back(data[0]->x);
- parameters.push_back(data[0]->y);
- }
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 使用最小二乘法,从输入点中拟合出确定直线模型的所需参量
- */
- void LineParamEstimator::leastSquaresEstimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- double meanX, meanY, nx, ny, norm;
- double covMat11, covMat12, covMat21, covMat22; // The entries of the symmetric covarinace matrix
- int i, dataSize = data.size();
- parameters.clear();
- if(data.size()<2)
- return;
- meanX = meanY = 0.0;
- covMat11 = covMat12 = covMat21 = covMat22 = 0;
- for(i=0; i<dataSize; i++) {
- meanX +=data[i]->x;
- meanY +=data[i]->y;
- covMat11 +=data[i]->x * data[i]->x;
- covMat12 +=data[i]->x * data[i]->y;
- covMat22 +=data[i]->y * data[i]->y;
- }
- meanX/=dataSize;
- meanY/=dataSize;
- covMat11 -= dataSize*meanX*meanX;
- covMat12 -= dataSize*meanX*meanY;
- covMat22 -= dataSize*meanY*meanY;
- covMat21 = covMat12;
- if(covMat11<1e-12) {
- nx = 1.0;
- ny = 0.0;
- }
- else { //lamda1 is the largest eigen-value of the covariance matrix
- //and is used to compute the eigne-vector corresponding to the smallest
- //eigenvalue, which isn't computed explicitly.
- double lamda1 = (covMat11 + covMat22 + sqrt((covMat11-covMat22)*(covMat11-covMat22) + 4*covMat12*covMat12)) / 2.0;
- nx = -covMat12;
- ny = lamda1 - covMat22;
- norm = sqrt(nx*nx + ny*ny);
- nx/=norm;
- ny/=norm;
- }
- parameters.push_back(nx);
- parameters.push_back(ny);
- parameters.push_back(meanX);
- parameters.push_back(meanY);
- }
- /*****************************************************************************/
- /*
- * Given the line parameters [n_x,n_y,a_x,a_y] check if
- * [n_x, n_y] dot [data.x-a_x, data.y-a_y] < m_delta
- * 通过与已知法线的点乘结果,确定待测点与已知直线的匹配程度;结果越小则越符合,为
- * 零则表明点在直线上
- */
- bool LineParamEstimator::agree(std::vector<double> ¶meters, Point2D &data)
- {
- double signedDistance = parameters[0]*(data.x-parameters[2]) + parameters[1]*(data.y-parameters[3]);
- return ((signedDistance*signedDistance) < m_deltaSquared);
- }
RANSAC寻找匹配的代码如下:
- /*****************************************************************************/
- template<class T, class S>
- double Ransac<T,S>::compute(std::vector<S> ¶meters,
- ParameterEsitmator<T,S> *paramEstimator ,
- std::vector<T> &data,
- int numForEstimate)
- {
- std::vector<T *> leastSquaresEstimateData;
- int numDataObjects = data.size();
- int numVotesForBest = -1;
- int *arr = new int[numForEstimate];// numForEstimate表示拟合模型所需要的最少点数,对本例的直线来说,该值为2
- short *curVotes = new short[numDataObjects]; //one if data[i] agrees with the current model, otherwise zero
- short *bestVotes = new short[numDataObjects]; //one if data[i] agrees with the best model, otherwise zero
- //there are less data objects than the minimum required for an exact fit
- if(numDataObjects < numForEstimate)
- return 0;
- // 计算所有可能的直线,寻找其中误差最小的解。对于100点的直线拟合来说,大约需要100*99*0.5=4950次运算,复杂度无疑是庞大的。一般采用随机选取子集的方式。
- computeAllChoices(paramEstimator,data,numForEstimate,
- bestVotes, curVotes, numVotesForBest, 0, data.size(), numForEstimate, 0, arr);
- //compute the least squares estimate using the largest sub set
- for(int j=0; j<numDataObjects; j++) {
- if(bestVotes[j])
- leastSquaresEstimateData.push_back(&(data[j]));
- }
- // 对局内点再次用最小二乘法拟合出模型
- paramEstimator->leastSquaresEstimate(leastSquaresEstimateData,parameters);
- delete [] arr;
- delete [] bestVotes;
- delete [] curVotes;
- return (double)leastSquaresEstimateData.size()/(double)numDataObjects;
- }
在模型确定以及最大迭代次数允许的情况下,RANSAC总是能找到最优解。经过我的实验,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。
RANSAC可以用于哪些场景呢?最著名的莫过于图片的拼接技术。优于镜头的限制,往往需要多张照片才能拍下那种巨幅的风景。在多幅图像合成时,事先会在待合成的图片中提取一些关键的特征点。计算机视觉的研究表明,不同视角下物体往往可以通过一个透视矩(3X3或2X2)阵的变换而得到。RANSAC被用于拟合这个模型的参数(矩阵各行列的值),由此便可识别出不同照片中的同一物体。可参考下图:
![点击查看原始大小图片](http://dl.iteye.com/upload/attachment/435082/d5b1531a-4a93-394b-b9ef-edf04d6d459f.png)
![点击查看原始大小图片](http://dl.iteye.com/upload/attachment/435084/4d89826d-e7ab-32df-90e0-95b35ff9727e.png)
![点击查看原始大小图片](http://dl.iteye.com/upload/attachment/435077/70fc81b5-b609-305b-834d-29b661534c1a.png)
另外,RANSAC还可以用于图像搜索时的纠错与物体识别定位。下图中,有几条直线是SIFT匹配算法的误判,RANSAC有效地将其识别,并将正确的模型(书本)用线框标注出来:
![](http://dl.iteye.com/upload/attachment/435090/81a72f56-334c-3ae5-804d-ebe7f4148061.jpg)