模型拟合：RANSAC

Fitting ： RANSAC

1.算法原理

RANSAC（随机一致性采样）是一种不确定性算法，主要解决样本中的外点问题，最多可处理50%的外点情况。RANSAC算法将数据集合划分为“内点”和“外点”，“内点”是组成模型参数的数据，而“外点”是不适合模型的数据，并且假设在给定一组含有少部分“内点”的数据中，存在一个可以估计出符合“内点”的模型。RANSAC的基本思想是：随机从样本中选取一个小的子集，使用这个子集来拟合模型，然后判定所选取子集之外的样本与所拟合模型的匹配程度，重复这个过程多次，再选取使得最多的样本都符合的模型作为最终拟合的模型。

2.算法步骤

• 1.随机采样K个点。
• 2.使用该K个点拟合一个模型。
• 3.设置内点门限，并且统计2所得模型的内点数目。
• 4.重复1~3 M次，选出内点数目最多的模型。
• 5.利用4得到的模型的内点再拟合一个模型。
  （参数说明：N-样本点数，K-求解模型所需最少点数）
  其中5为选做，可视任务情况而定。

3.自适应参数调整

$$M:迭代次数$$

$$p:期望得到好模型的概率$$

$$s:得到一个模型所需要的最少点数$$

$$e:每次迭代的内点率$$

$$N=\frac{lg(1-p)}{lg(1-e^s)}$$

4.代码过程

• 生成目标函数
  
• 加入高斯白噪声
  
• 加入随机噪声点
  
• RANSAC拟合结果