RANSAC 原理

RANSAC, Random Sample Consensus(随机抽样一致算法)是一个通用的鲁棒估计算法，由Fischler和Bolles提出文献。

算法原理很简单，如图：

现以平面点集拟合直线为例进行说明。已知点集$（xi,yi）,\forall i\in\ n$，估计直线 $y=kx+b$。
根据RANSAC算法思想，得到如下步骤：

1. 随机地从$（xi,yi）,\forall i\in\ n$中选择2个点，得到一条直线L1；
2. 计算其它点到直线L1的距离，确定距离小于阈值$Td$的点集$Si$；
3. 如果$Si$中点的个数大于阈值$Tn$,则该直线L1即为所求；
4. 如果$Si$中点的个数小于阈值$Tn$,选择新的2个点，重复上述过程；

5. 经过$N$次重复后，选择具有最多点的个数的点集$Si$，其对于的直线即为所求。

   

三个问题：

• 什么是距离阈值？
  我们希望选择的距离阈值$t$使点为内点的概率是$\alpha$。该计算需要知道内点到模型距离的概率分布。实际中距离阈值通常靠经验选取，但是，如果假定测量误差为均值为0，标准差为$\sigma$的高斯分布，那么$t$的值可以计算出来。

• 采样多少次为宜？
  尝试每个可能的样本通常在计算上不可行也不必要。只要采样次数N足够大，保证由$s$个点组成的随机样本中至少有一次没有野值点的概率是$p$。通常，$p=0.99$。假定$w$是任意选择一个数据点为内点的概率，那么，$\epsilon=1-w$是其为野值点的概率，从而至少需要N次选择，每次$s$个点，其中$(1-w^s)^N=1-p$, 得到$N=log(1-p)/log(1-(1-\epsilon)^s)$。

• 一致集多大为宜？
  根据经验，给定野值的假定比率后，如果一致集大小接近期望属于该数据集的内点数时迭代就停止，即对$n$个数据，$T=(1-\epsilon)n$.对于直线拟合的例子，$\epsilon$的保守估计是$\epsilon=0.2$，因此$T=(1-0.2)*12=10$。