[C++] RANSAC

1. 定义

根据一组包含异常数据的数据集，计算出能正确描述数据集中的正确数据的数学模型的参数

是从一组含有“外点”(outliers)的数据中正确估计数学模型参数的迭代算法。

“外点”一般指的的数据中的噪声，比如说匹配中的误匹配和估计曲线中的离群点。

2.流程

RANSAC是通过反复随机从数据集中挑选数据，去计算出模型，一直迭代到出现认为比较好的模型为止

具体的实现步骤可以分为以下几步：

1. 选择出可以估计出模型的最小数据集
2. 使用这个最小数据集来计算出模型的参数
3. 将所有数据代入这个模型，根据误差阈值判断数据是否是“内点”，统计出“内点”的数目
4. 比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数
5. 重复以上步骤，直到达到最大迭代次数或者内点数目大于一定数量（内点所占总数据的比例大于一定比例），即当前模型已经足够好了，迭代结束
   

3.迭代次数推导

迭代的次数是可以估算出来的

假设“内点”在数据中的占比为 t：
$$t=\frac{n_{inliers}}{n_{inliers}+n_{outliers}}$$

求解数学模型需要的最少的点的个数为N（如求解直线方程的参数，需要两个点；求解平面的参数需要三个点）

那么每次迭代，从数据集中随机挑选N个点，这N个点都是内点（都是正确数据）的概率：
$$t^N$$
则选取的N个点，至少有一个外点（至少有一个选错了，选到异常数据；此次迭代失败）的概率：
$$1-t^N$$
假设迭代K次，这K次迭代中，每次都失败的概率：
$$（1-t^N{）}^K$$
由于最终记录下来的模型的参数是这K次迭代中，最好的模型的参数，也就是说，只要这K次迭代中，有一次是正确的就可以了

这K次迭代中，至少有一次是成功的（所挑选的N个点全是正确数据）的概率：
$$P=1-（1-t^N{）}^K$$

通过上式，可以求得迭代次数K：
$$1-P=(1-t^N{)}^K$$
$$log(1-P)=log(1-t^N{)}^K$$
$$log(1-P)=K\cdot log(1-t^N)$$
$$K=\frac{log(1-P)}{log(1-t^N)}$$

计算t=0.9，N=3时，想要RANSAC成功率P达到P>=0.80，所需要的迭代次数K：
$$K=\frac{log(1-0.80)}{log(1-0.9^3)}$$