VSLAM基础（四）————RANSAC、最小二乘法、DLT

到目前为止，我们已经知道怎么由一系列图像得到它们之间的相对姿态了，在这里暂停一下，插入这篇讨论一下RANSAC、最小二乘、DLT。

一、RANSAC随机抽样一致算法

在vslam中通过对图像进行特征点匹配，然后根据匹配点坐标计算恢复出图像相对姿态。但是匹配会存在误匹配，数据也存在噪声，那么怎么在包含错误点的数据内获得我们想要的最优解呢？我们用到了RANSAC随机抽样一致算法。

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。核心思想就是随机性和假设性，随机性用于减少计算，循环次数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。

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