随机抽样一致(RANSAC)算法及matlab实现

随机抽样一致(RANSAC)算法及matlab实现

一、算法介绍

RANSAC为RANdom SAmple Consensus（随机抽样一致）的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。它于1981年由Fischler和Bolles最先提出。

RANSAC算法的应用背景是在一堆观察点中估计出某个模型$y$。

以2D模型为例，RANSAC算法要估计 数据的最优模型$y=ax+b$ 。

二、算法步骤

Step1：随机抽取n个数据

从样本集合中取出n个数据。然后用这n个点去实例化模型，并将仿射变换计算出来。这个计算过程可以使用最小二乘法等等不限。需要注意的是，在选取n的时候，要随机选择最小数量的点以尽可能高的效率来检测可能的模型。例如如果模型是直线型，则$n=2$。

如果$n$超过了最小数量，会带来如下缺点：

1.计算复杂性增加。每次迭代需要选择和处理更多的点，这可能导致算法运行速度变慢。对于直线来说，任何两点都可以确定一条直线，所以选择超过两点会增加不必要的计算。

2.更容易受到异常值的影响。如果随机选择三个点，并且其中两个是异常值，那么通过这三个点确定的直线可能会受到异常值的严重影响。而如果你只选择两个点，异常值对结果的影响可能会减少。

3.可能会导致过拟合。如果数据集中有很多异常值，使用更多的点来确定模型可能会导致模型过于复杂，从而更容易拟合到这些异常值，这被称为过拟合。

Step2：计算所有点到模型的距离d_i与距离门限(threshold)的距离t

定义内点*(inliers)和外点(outliers)*，其中内点可以被认为正确数据，即可以被模型描述的数据；外点可以被认为异常数据，即偏离正常范围很远、无法适应数学模型的数据。
$$\{\begin{array}{l}|d_i|<t,\text{i = inlier;}\\ |d_i|\ge t,\text{i = outlier;}\end{array}\text{\hspace{1em}(1)}$$

Step3：寻找最优模型

统计inliers的数量，记为S_i，定义数量门限为T。if S_i≥T，则认为此模型是合格的模型。即可以用这S_i个inliers去重新估计模型*(re-estimate the model)。if S_i < T，则重复Algorithm1-3，重新计算模型、求inliers和outliers*，直到得到合格的模型。

由于之前的model是由n个data所估计得到，而全部数据计算得到的inliers的数量S_i一定大于n。则此时所估计出的新模型的准确度一定高于之前用n个数据所估计的旧模型。

Step4：重复N次试验(repeat for N trials)

在N次重复试验中，每次会存在一个S_ij(1≤j≤N)。然后在此之中选择拥有最大的内点个数*S_imax*的模型，作为最优估计模型。

这里存在两个问题：

​ 1、如何判断两个门限t和T。t会影响内点个数，而T又会因环境不同而有不同取值。

​ 2、如何定义重复次数N。

三、距离门限t的选择

假设数据$X=[X_1,X_2]$服从方差为$\sigma$的高斯分布。则其到模型的距离之平方服从卡方分布(chi-square distribution)。
$$X_{1si}^2+X_{2si}^2=d_{si}^2\sim {\chi }^2(2)\text{\hspace{1em}(2)}$$
其中，$X_{1s}$和$X_{2s}$分别代表对数据$X$的标准化后得到的二维数据，$d_{si}$是标准化后的距离。定义标准化门限距离$t_s$，计算距离平方$d_{is}^2<t_s^2$的概率，此概率满足下式累积分布函数(CDF)：
F ( x ∣ k ) = P ( X ≤ x ) = 1 Γ ( m 2 ) ∫ 0 x t m 2 −