RANSAC 随机采样一致性

推荐资料

http://t.csdnimg.cn/ljIMI

【2022B站最好最全的【三维重建】课程！！！北邮教授竟然把三维重建讲的如此通俗易懂，学不会UPZHIJIE 退网下架！！！-人工智能/计算机视觉/三维重建】https://www.bilibili.com/video/BV1DP41157dB?p=7&vd_source=bd967f0d540a64617b8b612bc0f0f9a3

上面视频的第7P，1小时15分钟开始，有生动的介绍。

简介

RANSAC（Random Sample Consensus）算法是一种基于随机采样的迭代算法，用于估计一个数学模型参数。它最初由Fischler和Bolles于1981年提出，主要用于计算机视觉和计算机图形学中的模型拟合和参数估计问题。

RANSAC算法的基本思想是通过随机采样一小部分数据来估计模型参数，然后用这个模型对所有数据进行测试，将满足模型的数据点作为内点，不满足模型的数据点作为外点。通过迭代的方式不断随机采样和估计模型参数，最终得到内点数目最多的模型作为最终的估计结果。

RANSAC算法的优点是可以处理包含大量外点的数据集，并且不需要事先知道外点的数量。它可以用于解决许多计算机视觉和计算机图形学中的问题，如图像配准、物体识别、三维重建、特征点匹配等。

计算方法

是一种适用于数据收到异常值污染的模型拟合方法。

• 随即均匀采样获取模型求解所需的最小子集
• 适用该子集估计模型参数
• 计算剩余样本与当前模型的一致性，统计满足当前模型的点个数，作为当前模型分数
• 以设定的次数n重复上面3个步骤，输出得分最高的模型

参数设置：

• 初始点数量s：模型求解所需的最少的点的个数
• 距离门限t
• 采样次数：选择采样次数N使得至少有一次采样为真实解的概率为p（例如p=0.99）
• 必须匹配拟合模型的点数d：与内点数占比一致

有一个概率公式推荐：

自适应迭代次数

• 外点率通常未知，按照最坏情况估计，比如50%。然后，根据计算结果自适应的调整外电比率，修正所需的总采样次数；

  [

实例：直线拟合

随机选择两个点，构成一条线。在这个线设置一个距离阈值，如果点在阈值内，则为内点，点在阈值外则为外点。

内点数量代表这条线的得分。通过N次迭代，找到分值最高的线，即为求解答案。