传统的数据拟合(smoothing)技术要求用尽可能多的数据,推导出一个最初的拟合模型,之后再试图减少无效的数据;RANSAC方法则相反的,用尽可能少的一组数据推导出一个拟合模型,然后再用尽可能与模型一致的数据扩大这个数据集。例如,假设给定一组二维的点坐标数据,来拟合一段圆弧。RANSAC方法是去找到(可以使随机抽取)三个点(因为最少三个点确定一个圆),计算这三个点所确定的圆的圆心和半径。统计与这个圆最接近的点的个数,如果这些点的数目足够多,RANSAC就利用这些点,采用一种数据拟合技术如最小二乘法,来重新计算圆的圆心和半径。这样计算出来的圆参数更接近理想的圆,因为所利用的点都是比较接近,根据这些点计算所得的测量误差较小。通常,测量误差呈正态分布,而分类误差是gross error,对拟合结果的影响比测量误差大,而且不能通过平均消除。
Martin Fischler and Robert Bolls 在他们的文献中至此一直未提一些关键细节:比如,找到圆的初始拟合模型,再尝试新的点,计算出来的偏差较大则剔除这个点,即不把这个点添加到一致集中?这里,如何度量偏差是大还是小?那个参考值怎样确定?偏差多大是大多小是小?这是问题一。问题二是初始选到的这三个点如果本身就不是,部分或者全部,最终一致集中的点,这个方法怎么能知道这一点?我推想就是,用本身不适合做一致集中的点做为最初