自适应采样次数的Ransac算法

Ransac基本思想
自适应采样次数的Ransac算法原理

对数据进行拟合操作的同学肯定对Ransac算法不陌生，之前接触过一段时间，最近有空才把这么经典的一个算法分享给大家。RANSAC(RAndom SAmple Consensus,随机采样一致)算法是从一组含有“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。所以，RANSAC也是一种“外点”检测算法。RANSAC算法是一种不确定算法，与通常的光滑技术相反：不是用尽可能多的点去获得一个初始解，并在以后消除无效点，而是使用满足可行条件的尽量少的初始数据集，并在可能时用一致性数据集扩大它。

Ransac基本思想

RANSAC是通过反复选择数据集去估计出模型，一直迭代到估计出认为比较好的模型。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；(对于直线拟合来说就是两个点，对于计算Homography矩阵就是4个点) 2.使用这个数据集来计算出数据模型；3.将所有数据带入这个模型，计算出“内点”的数目；(累加在一定误差范围T内的适合当前迭代推出模型的数据) 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1-4步，直到迭代结束或者当前模型已经足够好了(“内点数目大于一定数量”)。

以上的算法是最简单的版本，该算法有缺陷。因为迭代结束的条件没法很好的确定，准确来说，就是无法确定最大迭代次数，以及内点比阈值。那么有没有一种改进的方法可以不用这么麻烦的人为设定这些经验值呢？答案是有的，这个就是下面讲的自适应迭代次数的方法。

自适应采样次数的Ransac算法原理

设ω=内点个数所有点个数\omega=\frac{内点个数}{所有点个数}ω=所有点个数内点个数，ω\omegaω为任意选择的数据点为内点的概率，
那么p0=ωnp_0=\omega ^np0=ωn表示采样的n个点全为内点的概率（可重复）。
则采样点中至少有一个为外点的概率p1=1−p0=1−ωnp_1=1-p_0=1-\omega ^np1=1−p0=1−ωn
则重复K次实验，每次都至少有一个外点的概率p2=p1k=(1−ωn)kp_2=p_1^k=(1-\omega ^n)^kp2=p1k=(1−ωn)k
则K次采样中至少一次采样是全为内点的概率为：p=1−p2=1−(1−ωn)kp=1-p_2=1-(1-\omega ^n)^kp=1−p2=1−(1−ωn)k
即：1−p=(1−ωn)k1-p=(1-\omega ^n)^k1−p=(1−ωn)k
则
k=log(1−p)log(1−ωn)k=\frac{log(1-p)}{log(1-\omega ^n)}k=log(1−ωn)log(1−p)（1）
这个k即采样次数。
有的版本算法喜欢将里面的ω\omegaω替换成ε=1−ω\varepsilon=1-\omegaε=1−ω，即外点概率。
那么自适应算法伪代码如下:
1、 k=∞k=\inftyk=∞，sample_count=0
2、while（kkk>sample_count）
\space\space\space\space\space     选取一个样本并计算内点数
\space\space\space\space\space     令ω=内点数总点数\omega=\frac{内点数}{总点数}ω=总点数内点数
\space\space\space\space\space     取p=0.99p=0.99p=0.99并由ω\omegaω及式(1)求k
\space\space\space\space\space     sample_count=sample_count+1
3、结束
以上便是确定Ransac样本次数的自适应算法。
注意：由于内点占比ω\omegaω的初始值未知，我们可以从最坏的估计开始，即设ω\omegaω为0，此时k的初始值无穷大。当发现有更大的一致集就把原估计更新。至于p的值取0.99，则是为了保守起见。实际意义可以理解为进行k次采样，至少一次采样是全为内点的概率为0.99，这个就是我们对需要拟合的数据的期望。
如有错误的地方，望各位指正。

自适应采样次数的Ransac算法相关推荐

RANSAC算法（仅供学习使用）
1.定义 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 ...
openCV中的findHomography函数分析以及RANSAC算法的详解（源代码分析）
本文将openCV中的RANSAC代码全部挑选出来,进行分析和讲解,以便大家更好的理解RANSAC算法.代码我都试过,可以直接运行. 在计算机视觉和图像处理等很多领域,都需要用到RANSAC算法.op ...
相机模型与标定（十）--RANSAC算法
转自王先荣先生: http://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html 本文翻译自维基百科,英文原文地址是:http://en. ...
RANSAC算法原理与应用(1)
文章目录前言案例(直线RANSAC) RANSAC 抽样次数距离阈值终止阈值最终估计参考文献前言随机采样一致性(random sample consensus,RANSAC)是一种对带 ...
RANSAC算法(附RANSAC直线拟合C++与Python版本)
文章目录 RANSAC算法简介 RANSAC算法基本思想和流程迭代次数推导 RANSAC与最小二乘区别 RANSAC直线拟合代码(C++及Python版本) C++版本代码 Python版本代码如下 ...
RANSAC算法（2）：（拟合平面）本文以地面为基础以及源码分布解读
本章代码是本人根据一个未曾谋面的好人学习的(要怀抱希望,世界上好人真的是很多的,我要做一个去给别人带去正能量积极态度的人,加油喽),如需转载学习请注明.谢谢 ---------------基于rans ...
机器视觉：ransac算法详解
一.说明: 在线性回归问题中,采样点具备明显的线性相关性:如下图左.然而有些情性中,噪声很大,线性性散布在非线性点的噪声中,将无法用线性回归的方法进行直线提取. 随机样本一致性 (RANSAC) 是 ...
（二十二）用RANSAC算法来求线性回归模型的参数
线性回归模型一.什么是线性回归? 举个例子, 某商品的利润在售价为2 元. 5 元. 10 元时分别为 4 元. 11 元. 20 元, 我们很容易得出商品的利润与售价的关系符合直线:y=2x. 在 ...
计算机视觉——SIFT特征提取与检索+匹配地理标记图像+RANSAC算法
SIFT特征提取与检索 1. SIFT算法 1.1 基本概念 1.2 SIFT算法基本原理 1.2.1 特征点 1.2.2 尺度空间 1.2.3 高斯函数 1.2.4 高斯模糊 1.2.5 高斯金字塔 ...

自适应采样次数的Ransac算法

自适应采样次数的Ransac算法

Ransac基本思想

自适应采样次数的Ransac算法原理

自适应采样次数的Ransac算法相关推荐

最新文章

热门文章