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&