RANSAC和鲁棒核函数

知乎讲解
博客讲解

在估计相机运动过程中需要匹配，但是由于传感器测量存在不可靠测量，或者光流中会存在一些误匹配的点，因此需要消除或者降低错误匹配的影响。

将非常不可能的测量值（根据测量模型）称为外点（outlier）。对外点的一种常用判断标准是（一维数据中）将超出平均值三个标准差的测量值作为外点。

处理外点的两种最常用方案为：
1、随机采样一致性 RANSAC（选择正确匹配估计）
2、M估计（降低错误匹配权重）

随机采样一致性（random sample consensus，RANSAC）是一种对带有外点的数据拟合参数模型的迭代方法。目的是从所有数据中选择正确的数据，用于估计。

过程：
在原始数据中随机选取一个（最小）子集作为假设内点；
根据假设的内点拟合一个模型；
判断剩余的原始数据是否符合拟合的模型，将其分为内点和外点。如果内点过少则标记为无效迭代；
根据假设的内点和上一步划分的内点重新拟合模型；
计算所有内点的残差，根据残差和或者错误率重新评估模型。

RANSAC与最小二乘的区别：
最小二乘法尽量去适应包括外点在内的所有点。而RANSAC得出一个仅仅用内点计算出模型，并且概率还足够高。但是，RANSAC不能保证结果一定正确（只有一定的概率得到可信的模型），为了保证算法有足够高的合理概率，必须小心选择算法的参数。对于外点数量较多的数据集，RANSAC的效果远优于直接的最小二乘法。

SLAM中的很多状态估计都是以最小化误差平方和作为代价函数，一个偏离较大的外点会对估计结果产生巨大的影响。而M估计的主要思想便是将原先误差的平方项替换为一个增长没那么快的函数，同时保证自己的光滑性质（能求导），获得更加鲁棒的最小二乘，这个函数又称为鲁棒核函数。