用ransac求解仿射变换矩阵

二维图像仿射变换的6参数模型

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：

1. 有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。（求解仿射变换，至少需要三个点）
2. 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。
3. 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。
4. 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。

5. 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，要么因为比现有的模型更好而被选用。

函数调用

int estimateAffine2D(cv::InputArray _from, cv::InputArray _to,
    cv::OutputArray _out, cv::OutputArray _inliers,
    double param1=3, double param2=0.99);

参数介绍：
_from和_to是输入参数，vector< point >类型，输入匹配点的坐标。
_out是Mat类型，返回计算出来的模型参数，即上面的6个未知数，是一个2X3的矩阵。
_inliers是Mat类型，返回输入点是否为内点的判断。
param1指依据现有模型能够把一个点判断为内点的最大误差。
param2指模型的置信度，设置在0.95-0.99间。

下面是源代码，可能会遇到提示未定义numeric_limits::epsilon();的问题，这条语句的意思是获取编译器能够计算的最小浮点数，需要添加库#include < limits >

//Affine2D.hpp

class Affine2DEstimator
{
public:
    Affine2DEstimator();
    int runKernel( const CvMat* m1, const CvMat* m2, CvMat* model ); 
    bool runRANSAC( const CvMat* m1, const CvMat* m2, CvMat* model,
        CvMat* mask, double threshold,
        double confidence=0.99, int maxIters=2000 );
    bool getSubset( const CvMat* m1, const CvMat* m2,
        CvMat* ms1, CvMat* ms2, int maxAttempts=1000 );
    bool checkSubset( const CvMat* ms1, int count );
    int findInliers( const CvMat* m1, const CvMat* m2,
        const CvMat* model, CvMat* error,
        CvMat* mask, double threshold );
    void computeReprojError( const CvMat* m1, const CvMat* m2, const CvMat* model, CvMat* error ); 
protected:
    CvRNG rng;
    int modelPoints;
    CvSize modelSize;
    int maxBasicSolutions;
    bool checkPartialSubsets;
};

int estimateAffine2D(cv::InputArray _from, cv::InputArray _to,
    cv::OutputArray _out, cv::OutputArray _inliers,
    double param1=3, double param2=0.99);

//affine2D.cpp
int Affine2DEstimator::findInliers(