RANSC算法（随机样本一致性）

一、基本思想

    它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。它于1981年由 Fischler和Bolles最先提出[1]。

 

二、算法描述

    （1）输入：

    1、判断样本是否满足模型的误差容忍度t。t可以看作为对内点噪声均方差的假设，对于不同的输入数据需采用人工干预的方式预设合适的门限，且该参数对RANSAC性能有很大的影响；

    2、随机抽取样本集S的次数。该参数直接影响SC中样本参与模型参数的检验 次数，从而影响算法的效率，因为大部分随机抽样都受到外点的影响；

    3、表征得到正确模型时，一致集S*的大小N。为了确保得到表征数据集P的正确模型，一般要求一致集足够大；另外，足够多的一致样本使得重新估计的模型参数更精确。

    4、算法的迭代次数k。

    5、适应于数据的模型model。

    6、随机在样本抽样的数目n。

    （2）算法流程：

    1、考虑一个最小抽样集的势为n的模型(n为初始化模型参数所需的最小样本数)和一个样本集P，集合P的样本数num(P)>n，从P中随机 抽取包含n个样本的P的子集S初始化模型M；
    2、余集SC=P\S中与模型M的误差小于某一设定阈值t的样本集以及S构成S*。S*认为是内点集，它们构成S的一致集(Consensus Set)；
    3、若#(S*)≥N，认为得到正确的模型参数，并利用集S*(内点inliers)采用最小二乘等方法重新计算新的模型M*