机器学习(三)随机取样一致RANSAC

 
 
        随机取样一致 RANSAC (Random Sample Consensus)。能从包含“异常点”的数据集中，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。

• 随机选取 s 个点 （如果是线性拟合，估计一条直线的话则 s 的值至少为2，若是平面则另选)；
• 选取数据之后来计算模型参数（例如：估计一条直线则是选取两个点，然后来确定直线的参数)；
• 然后计算其他所有的点到该模型的误差（例如：线性则是计算其他所有的点到直线的距离)；
• 若误差小于一定范围，则被看成是内点( inliers)，并统计内点的个数；
• 重复上述过程；

        看完上述步骤可以发现一个问题，对于线性拟合，那么需要 $C_M^2$ 次循环才能保证选到最好模型，若是其他拟合，则需要 $C_M^s$ 次才可以，导致 计算复杂度过高。
        但是RANSAC算法则是当选取点这个过程随机到一定程度，就能保证这个模型获得一个好的结果。

---

 

详述RANSAC算法

• 迭代 N 次，然后按照均匀分布的形式随机选取 s 个点，然后计算内点个数（距离小于阈值 t），最后如果有 d 个或更多内点数，模型寻找结束，否则再随机迭代；
• 特别注意 s、t、N、d 这四个参数，需要自己去调整；
• 对于 N 的取值可以根据下面公式来确定。
                          
  下面则是已知 e、s 的取值，得到的 N 值的表格