拟合直线
RANSAC是“RANdom SAmple Consensus（随机抽样⼀致）”的缩写。它可以从⼀组包含“局外点”的观测数据集中，通过迭代⽅式估计数学模型的参数。它是⼀种不确定的算法——它有⼀定的概率得出⼀个合理的结果；为了提⾼概率必须提⾼迭代次数。该算法最早由Fischler和Bolles于1981年提出。核⼼思想就是随机性和假设性，随机性⽤于减少计算，循环次数是利⽤正确数据出现的概率。所谓的假设性，就是说随机抽出来的数据都认为是正确的，并以此去计算其他点，获得其他满⾜变换关系的点，然后利⽤投票机制，选出获票最多的那⼀个变换。 RANSAC的基本假设是：
（1）数据由“局内点”组成，例如：数据的分布可以⽤⼀些模型参数来解释；
（2）“局外点”是不能适应该模型的数据；
（3）除此之外的数据属于噪声。
局外点产⽣的原因有：噪声的极值；错误的测量⽅法；对数据的错误假设。
RANSAC与最⼩⼆乘区别：最⼩⼆乘法尽量去适应包括局外点在内的所有点。相反，RANSAC能得出⼀
个仅仅⽤局内点计算出模型，并且概率还⾜够⾼。但是，RANSAC并不能保证结果⼀定正确，为了保证算法有⾜够⾼的合理概率，必须⼩⼼的选择算法的参数（参数配置）。
这是⼀张最⼩⼆乘直线拟合和RANSAC直线拟合在存在⼀些误差情况下的结果⽐对：
可以看到最⼩⼆乘是对所有点的最佳拟合，RANSAC则是去除了离主要部分较远的点集进⾏拟合（这个阈值是可以设定的）。RANSAC的⽅法不⼀定对于所有的场景都能正确适⽤。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议