RANSAC核心思想+直线拟合举例

Random Sample Consensus RANSAC随机采样一致性

Location determination problem  LDP  位置确定问题

Least squares method LSM 最小二乘法

 

Local feature detector有两种错误:
1.classification errors  特征检测器没能正确检测到特征(严重错误 gross error)

2.measurement errors  特征检测器正确检测到特征了,但是把特征的一些参数计算错了,比如位置 (可以理解为由噪声带来,服从正态分布,可以用smoothing的方法最小化这个误差)

 

ransac的核心思想是使用尽量少的初始数据,然后用具有一致性的数据去扩大这个数据集。这个数据集就是我们要找的,可以用来建立model(去除了错误数据)的数据集。

有人做过实验,初始点选取的越少,需要进行的迭代次数越少。所以当然是根据自己的需要选取最少的点。

应该说ransac提供了一种思想和框架,在含有错误数据的数据集里拟合数据或者找到数据之间的映射关系。

比如拟合一个圆,ransac会选取三个点(因为三个点就能确定一个圆了),计算这个圆的圆心和半径,然后统计足够靠近这个圆的点数(允许measurement error的存在),以此代表当前圆的拟合效果。如果拟合效果足够好,就在选中的点集上应用smoothing technique,例如LSM。

 

上述过程是一个迭代的过程,给定一个点集P,先是随机选取一些点S1,得到一个模型M1,然后让M1在某种误差允许范围内拟合P,被选出来的点集S1*称作S1 的一致性集合。如果#(S1*)>threshold,指的是S1*包含的点数,就用LSM得到一个模型M1*作为最终的模型;如果#(S1*)<threshold,再随机选取另外一些点S2,重复上述过程。

另外,如果迭代多次后,没有更多的点被选中,那么就把当前的点集作为最大的一致性集合。

 

两点注意:

1.如果问题类型确定了,选择初始点集可以确定点数,而不用随机,比如计算两张图的单应性矩阵,8个参数,选4个点就好了。

2.如果S*和M*确定了&

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值