RANSAC算法理解

最新推荐文章于 2024-04-20 11:32:37 发布

yingya2017

最新推荐文章于 2024-04-20 11:32:37 发布

阅读量365

点赞数

分类专栏： Opencv

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/sinat_23084397/article/details/102658567

版权

Opencv 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1、最小二乘法法，即，拟合 y= ax +b中的a和b

2、检测点是否在直线上，也就是计算点到直线的距离是否小于我们设置的阈值。

具体做法，取直线的法向量为 $n=\left ( -a,1 \right )$ ，则距离s满足

$s=\frac{p\cdot n}{\left | p \right | \left | n \right |}$

p为待测点到直线上任一点的向量

3、RANSAC匹配

（1）在所有的数据点中随机取m（m>2）个点，使用最小二乘法拟合一条直线；

（2）在剩余点中，检测到直线距离小于设置阈值的点的个数，如果个数多于之前记录的最优值，则替换直线参数，并记录此次的点数为最优值；

（3）是否达到设置的迭代次数，若是，则输出直线参数并结束，否则重新迭代，回到步骤（1）；

4、图像匹配中滤除误匹配的应用

图像匹配中，两幅图特征点的转换关系可以用单应性矩阵H表示，

$s\left [ \begin{matrix} x{}'\\ y{}'\\ 1 \end{matrix} \right ]= \begin{bmatrix} h_{11} & h_{12} & h_{13}\\ h_{21} &h_{22} &h_{23} \\ h_{31} &h_{32} & h_{33} \end{bmatrix}\left\begin{bmatrix} x\\ y\\ 1 \end{bmatrix} \right$

其中， $(x,y)$ 表示目标图像角点的位置， $(x{}',y{}')$ 表示场景图像角点位置，s为尺度参数

一个目标图像角点位置和其对应的场景图像角点位置代表一组点对。单应性矩阵有8个未知数，每组数据点对可以列2个方程，所以至少需要4组数据点对，则矩阵方程为

$X'=\frac{1}{s}HX$

令 $H'=\frac{1}{s}H$ ，则 $H'=X'X.Pinv$ 。其中，Pinv表示伪逆矩阵。H'表示归一化的单应性矩阵。

计算出H‘后，则将剩下的点对进行投影误差计算

$Err_{proj}=\sum_{i=0}^{n}(x'_{i}-\frac{h_{11}x_{i}+h_{12}y_{i}+h_{13}}{h_{31}x_{i}+h_{32}y_{i}+h_{33}})^{2}+(y'_{i}-\frac{h_{21}x_{i}+h_{22}y_{i}+h_{23}}{h_{31}x_{i}+h_{32}y_{i}+h_{33}})^{2}$

RANSAC的作用就是找出最优的单应性矩阵。步骤

(1) 随机抽出m（m>4）个样本数据，计算出单应性矩阵H'，记为模型M；

(2) 使用剩余的点对计算投影误差，检测误差小于设置阈值的点的个数，如果个数多于之前记录的最优值，则替换H'，并记录此次的点数为最优值；

(3) 是否达到设置的迭代次数，若是，则输出H'并结束，否则重新迭代，回到步骤（1）；

参考博客

https://blog.csdn.net/robinhjwy/article/details/79174914

https://www.iteye.com/blog/grunt1223-961063#

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
RANSAC算法理解

1、最小二乘法法，即，拟合 y= ax +b中的a和b 2、检测点是否在直线上，也就是计算点到直线的距离是否小于我们设置的阈值。具体做法，取直线的法向量为，则距离s满足 p为待测点到直线上任一点的向量3、RANSAC匹配（1）在所有的...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。