RANSAC算法详解

最新推荐文章于 2024-09-26 10:00:16 发布

机器视觉001

最新推荐文章于 2024-09-26 10:00:16 发布

阅读量1k

点赞数

分类专栏：机器视觉人工智能文章标签： RANSAC

本文链接：https://blog.csdn.net/liubing8609/article/details/85489774

版权

机器视觉同时被 2 个专栏收录

184 篇文章 112 订阅

订阅专栏

人工智能

48 篇文章 5 订阅

订阅专栏

RANSAC算法详解

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。大学高等数学课程中，详细阐述了最小二乘法思想。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，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。

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。

整个过程可参考下图：

关于算法的源代码，Ziv Yaniv曾经写一个不错的C++版本：

#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> &parameters)

{

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> &parameters)

{

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> &parameters, 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> &parameters,

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。由于镜头限制，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。计算机视觉研究表明，不同视角下物体往往可以通过一个透视矩阵（3X3或2X2）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：