计算机视觉基本原理——RANSAC

点击上方“3DCVer”，选择“星标”

干货第一时间送达

一前言

基本矩阵求解方法主要有：

1）直接线性变换法

a)8点法

b)最小二乘法

2）基于RANSAC的鲁棒方法。

先简单介绍一下直接线性变换法：

注：
三个红线标注的三个等式等价。

在上述分析过程中，如果n>=8时，最小二乘法求解是否是最优估计呢？

接下来，我们重点探讨一下这个问题。

二 稳健估计

2.1 稳健的定义

稳健（robust）:对数据噪声的敏感性。

对于上述采样，如果出现外点（距离正确值较远），将会影响实际估计效果。

2.2 RANSAC——随机一致性采样

RANSAC主要解决样本中的外点问题，最多可处理50%的外点情况。

基本思想：

RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：

• 有一个模型适用于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。

• 用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。

• 如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。

• 然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。

• 最后，通过估计局内点与模型的错误率来评估模型.

• 这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为它比现有的模型更好而被选用。

  

  对上述步骤，进行简单总结如下：

  

  举个例子：使用RANSAC——拟合直线

  

  

  

  

  

  

  2.3 关于OpenCV中使用到RANSAC的相关函数

  1. solvePnPRansac

  2. findFundamentalMat

上述内容，如有侵犯版权，请联系作者，会自行删文。

重磅！3DCVer-知识星球和学术交流群已成立

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导，550+的星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿