RANSAC算法总结



 在利用SIFT算法提取特征点时，在一般情况下一幅看似简单的图也会产生很多的特征点。在进行下一步的处理之前，需要通过一些方法对于特征点进行一个初步的筛选以减少下一步处理的计算量。在筛选特征点钟RANSAC算法就是一个极为常用的算法。

RANSAC算法与其说是一种算法，倒不如说代表其实是一种数学思想。

RANSAC一般输入的是一组观测数据(包含着比较多的噪声点)，一个可以用来解释观测数据的参数化模型以及一些别的可信的参数。RANSAC通过反复的选择数据中的一组随机数集来实现目标。被选取的子集可以用作局内点，并且可以使用以下的方法：

使用接下来的方法进行验证：

1. 有一个模型适用于假设的局内点，及所有的未知参数都可以从假设的局内点中计算出来。

2. 使用1中所得到的模型来测试所有的数据，如果某个点适用于估计的模型则该点也属于局内点的范围内。

3. 如果有被归入假设的模型的局内点中，则该模型就足够的合理。

4. 然后，使用所有假设的局内点去重新估计模型

5. 根据局内点与模型的错误率来判断模型是否具有足够的合理性

6. 将上述步骤重复执行固定的次数，每次得到的模型如果局内点太少，则舍弃。如果比当前的模型更加合理，则替代当前的模型。