APAP多重采样RANSAC

参考文献：
Accelerated Hypothesis Generation for Multi-structure Robust Fitting

APAP中的采样算法不同于opencv的RANSAC算法。

假设Input： { x i } i = 1 N \{x_i\}_{i=1}^N {xi​}i=1N​代表输入的N组数据，由N组数据随机采样生成了M个模型${\theta }_1,{\theta }_2,...{\theta }_M$，对于每一个个输入数据$x_i$，我们计算模型的残差得到该模型的分数$r^{(i)}=[r_1^{(i)},r_2^{(i)}...r_M^{(i)}]$，对这M个模型的残差评分进行排序，产生$a^i=[a_1^{(i)},a_2^{(i)},...a_M^{(i)}]$。
其中$a_i$代表排序后索引值即$r_{a_p^{(i)}}^{(i)}<r_{a_q^{(i)}}^{(i)}当p<q时$,即评分由小到大排列的索引序列。如果假设模型的残差越低，排名越高代表这个模型可能是该点的最终模型。

对于两组数据$x_i,x_j$产生的两个模型的索引$a^{(i)}和a^{(j)}$，它们如何来自同一个模型的内层的话，这于$x_i,x_j$是否存在同一个模型，是与该模型有较高的关键点匹配分数无关。

我们假设$a_{1:h}^{(i)}代表a^{(i)}中1-h个元素组成的向量$，于是我们定义一下函数“intersection”,在$x_i,x_j$中交集为
$$f(x_i,x_j)=1/h\ast |a_{1:h}^{(i)}\cap a_{1:h}^{(j)}|$$
其中1<=h<=M 指定主导假设的个数，交集代表1:h中共有的模型假设个数

假设M=100，产生100个模型，然后每一个模型计算其符合全局点的偏差共N个，即N个点，然后每选取一个点，与剩余点计算假设模型的交集，组成NxN的交集权重矩阵K

对于一个最小子集
S = { s k } k = 1 p S=\{s_k\}^p_{k=1} S={sk​}k=1p​
其中p为4 代表该模型最少的拟合个数 。
给定第一个数据$s_1$这个数是随机选取的 。
定义另一个点$x_j$其权重函数是$w(x_i,x_j)=f(x_i,x_j)$。
当$x_i$不等于$x_j$即$x_j$和$x_i$的交集比例
当$w(x_i,x_m)>=w(x_i,x_n)$ 推出来 $P(x_m|x_i)>=p(x_n|x_1)$

输入点集合D(D=100个点对)，设产生T（T=10）个单应性假设，且每个单应性假设需要4个点（p=5），交集定义的块大小为b=4，代表考虑4个单应性假设。