隨機抽樣一致性算法（RANSAC）_顺序抽样一致性算法-CSDN博客

http://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html

作者：王先榮
    本文翻譯自維基百科，英文原文地址是：http://en.wikipedia.org/wiki/ransac，如果您英語不錯，建議您直接查看原文。
    RANSAC是「RANdom SAmple Consensus（隨機抽樣一致）」的縮寫。它可以從一組包含「局外點」的觀測數據集中，通過迭代方式估計數學模型的參數。它是一種不確定的算法——它有一定的概率得出一個合理的結果；為了提高概率必須提高迭代次數。該算法最早由Fischler和Bolles於1981年提出。
    RANSAC的基本假設是：
（1）數據由「局內點」組成，例如：數據的分布可以用一些模型參數來解釋；
（2）「局外點」是不能適應該模型的數據；
（3）除此之外的數據屬於噪聲。
    局外點產生的原因有：噪聲的極值；錯誤的測量方法；對數據的錯誤假設。
    RANSAC也做了以下假設：給定一組（通常很小的）局內點，存在一個可以估計模型參數的過程；而該模型能夠解釋或者適用於局內點。

本文內容
1 示例
2 概述
3 算法
4 參數
5 優點與缺點
6 應用
7 參考文獻
8 外部鏈接

一、示例
一個簡單的例子是從一組觀測數據中找出合適的2維直線。假設觀測數據中包含局內點和局外點，其中局內點近似的被直線所通過，而局外點遠離於直線。簡單的最小二乘法不能找到適應於局內點的直線，原因是最小二乘法盡量去適應包括局外點在內的所有點。相反，RANSAC能得出一個僅僅用局內點計算出模型，並且概率還足夠高。但是，RANSAC並不能保證結果一定正確，為了保證算法有足夠高的合理概率，我們必須小心的選擇算法的參數。

左圖：包含很多局外點的數據集右圖：RANSAC找到的直線（局外點並不影響結果）

二、概述
    RANSAC算法的輸入是一組觀測數據，一個可以解釋或者適應於觀測數據的參數化模型，一些可信的參數。
    RANSAC通過反復選擇數據中的一組隨機子集來達成目標。被選取的子集被假設為局內點，並用下述方法進行驗證：
    1.有一個模型適應於假設的局內點，即所有的未知參數都能從假設的局內點計算得出。
    2.用1中得到的模型去測試所有的其它數據，如果某個點適用於估計的模型，認為它也是局內點。
    3.如果有足夠多的點被歸類為假設的局內點，那麼估計的模型就足夠合理。
    4.然後，用所有假設的局內點去重新估計模型，因為它僅僅被初始的假設局內點估計過。
    5.最後，通過估計局內點與模型的錯誤率來評估模型。
    這個過程被重復執行固定的次數，每次產生的模型要麼因為局內點太少而被舍棄，要麼因為比現有的模型更好而被選用。

三、算法
    偽碼形式的算法如下所示：
輸入：
data —— 一組觀測數據
model —— 適應於數據的模型
n —— 適用於模型的最少數據個數
k —— 算法的迭代次數
t —— 用於決定數據是否適應於模型的閥值
d —— 判定模型是否適用於數據集的數據數目
輸出：
best_model —— 跟數據最匹配的模型參數（如果沒有找到好的模型，返回null）
best_consensus_set —— 估計出模型的數據點
best_error —— 跟數據相關的估計出的模型錯誤

iterations = 0
best_model = null
best_consensus_set = null
best_error = 無窮大
while ( iterations < k )
    maybe_inliers = 從數據集中隨機選擇n個點
    maybe_model = 適合於maybe_inliers的模型參數
    consensus_set = maybe_inliers

    for ( 每個數據集中不屬於maybe_inliers的點）
        if ( 如果點適合於maybe_model，且錯誤小於t ）
            將點添加到consensus_set
    if （ consensus_set中的元素數目大於d ）
        已經找到了好的模型，現在測試該模型到底有多好
        better_model = 適合於consensus_set中所有點的模型參數
        this_error = better_model究竟如何適合這些點的度量
        if ( this_error < best_error )
            我們發現了比以前好的模型，保存該模型直到更好的模型出現
            best_model = better_model
            best_consensus_set = consensus_set
            best_error = this_error
    增加迭代次數
返回 best_model, best_consensus_set, best_error

    RANSAC算法的可能變化包括以下幾種：
    （1）如果發現了一種足夠好的模型（該模型有足夠小的錯誤率），則跳出主循環。這樣可能會節約計算額外參數的時間。
    （2）直接從maybe_model計算this_error，而不從consensus_set重新估計模型。這樣可能會節約比較兩種模型錯誤的時間，但可能會對噪聲更敏感。

四、參數
    我們不得不根據特定的問題和數據集通過實驗來確定參數t和d。然而參數k（迭代次數）可以從理論結果推斷。當我們從估計模型參數時，用p表示一些迭代過程中從數據集內隨機選取出的點均為局內點的概率；此時，結果模型很可能有用，因此p也表征了算法產生有用結果的概率。用w表示每次從數據集中選取一個局內點的概率，如下式所示：
    w = 局內點的數目 / 數據集的數目
    通常情況下，我們事先並不知道w的值，但是可以給出一些魯棒的值。假設估計模型需要選定n個點， $w n$ 是所有n個點均為局內點的概率； $1 - w n$ 是n個點中至少有一個點為局外點的概率，此時表明我們從數據集中估計出了一個不好的模型。 $(1 - w n) k$ 表示算法永遠都不會選擇到n個點均為局內點的概率，它和1-p相同。因此，
     $1 - p = (1 - w n) k$
    我們對上式的兩邊取對數，得出

    值得注意的是，這個結果假設n個點都是獨立選擇的；也就是說，某個點被選定之後，它可能會被後續的迭代過程重復選定到。這種方法通常都不合理，由此推導出的k值被看作是選取不重復點的上限。例如，要從上圖中的數據集尋找適合的直線，RANSAC算法通常在每次迭代時選取2個點，計算通過這兩點的直線maybe_model，要求這兩點必須唯一。
    為了得到更可信的參數，標准偏差或它的乘積可以被加到k上。k的標准偏差定義為：

五、優點與缺點
    RANSAC的優點是它能魯棒的估計模型參數。例如，它能從包含大量局外點的數據集中估計出高精度的參數。RANSAC的缺點是它計算參數的迭代次數沒有上限；如果設置迭代次數的上限，得到的結果可能不是最優的結果，甚至可能得到錯誤的結果。RANSAC只有一定的概率得到可信的模型，概率與迭代次數成正比。RANSAC的另一個缺點是它要求設置跟問題相關的閥值。
    RANSAC只能從特定的數據集中估計出一個模型，如果存在兩個（或多個）模型，RANSAC不能找到別的模型。

六、應用
RANSAC算法經常用於計算機視覺，例如同時求解相關問題與估計立體攝像機的基礎矩陣。

七、參考文獻

Martin A. Fischler and Robert C. Bolles (June 1981). "Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography". Comm. of the ACM 24: 381–395. doi:10.1145/358669.358692.
David A. Forsyth and Jean Ponce (2003). Computer Vision, a modern approach. Prentice Hall. ISBN 0-13-085198-1.
Richard Hartley and Andrew Zisserman (2003). Multiple View Geometry in Computer Vision (2nd ed.). Cambridge University Press.
P.H.S. Torr and D.W. Murray (1997). "The Development and Comparison of Robust Methods for Estimating the Fundamental Matrix".International Journal of Computer Vision 24: 271–300. doi:10.1023/A:1007927408552.
Ondrej Chum (2005). "Two-View Geometry Estimation by Random Sample and Consensus". PhD Thesis.http://cmp.felk.cvut.cz/~chum/Teze/Chum-PhD.pdf
Sunglok Choi, Taemin Kim, and Wonpil Yu (2009). "Performance Evaluation of RANSAC Family". In Proceedings of the British Machine Vision Conference (BMVC). http://www.bmva.org/bmvc/2009/Papers/Paper355/Paper355.pdf.

八、外部鏈接

RANSAC Toolbox for MATLAB. A research (and didactic) oriented toolbox to explore the RANSAC algorithm in MATLAB. It is highly configurable and contains the routines to solve a few relevant estimation problems.
Implementation in C++ as a generic template.
RANSAC for Dummies A simple tutorial with many examples that uses the RANSAC Toolbox for MATLAB.
25 Years of RANSAC Workshop

九、後話

本文在翻譯的過程中參考了沈樂君的文章《隨機抽樣一致性算法RANSAC源程序和教程》。Ziv Yaniv已經用C++實現了RANSAC，您可以點擊這裡下載源程序。

不過，如果時間允許的話，我打算自己動手用C#去實現RANSAC算法，原因有兩個：

（1）熟悉算法的最佳途徑是自己去實現它；

（2）方便使用.net的同志們利用RANSAC。

感謝您耐心看完我的蹩腳翻譯，希望對您有所幫助。