1. 定义

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

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. 功能

利用RANSAC剔除错误匹配，配对提取关键的特征，即可用于图片拼接和物体识别定位

在模型确定以及最大迭代次数允许的情况下，RANSAC总是能找到最优解
对于包含80%误差的数据集，RANSAC的效果远优于直接的最小二乘法

3. 流程

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：

选择出可以估计出模型的最小数据集
使用这个最小数据集来计算出数据模型
将所有数据带入这个模型，计算出“内点”的数目
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
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，即当前模型已经足够好了，迭代结束

利用知乎计算机视觉基本原理——RANSAC 中的一张图可视化一下流程：

4. 迭代次数推导

这里有一点就是迭代的次数应该选择多大？
这个值其实是可以估算出来的

假设“内点”在数据中的占比为 t

那么每次计算模型使用N个点的情况下，选取的点至少有一个外点的情况就是

即在迭代 k 次的情况下， 1 - t^n 就是 k 次迭代计算模型都至少采样到一个“外点”去计算模型的概率
那么能采样到正确的N个点去计算出正确模型的概率就是：

通过上式，可以求得

5. 实现直线拟合

import numpy as np
import matplotlib.pyplot as plt
import random
import math# 设置数据量
pionts_sum = 100# 设置数据准确概率和希望的得到正确模型的概率
P_set, P_expect = 0.6, 0.6# 分配正常和噪声数据
pionts_line_sum = int(pionts_sum * P_set)
pionts_noise_sum = pionts_sum - pionts_line_sum# 产生 x=[0, 10]间隔相等的直线数据
A, B = 7, 10
X_min, X_max = 0, 10
X = np.linspace(X_min, X_max, pionts_line_sum)
Y = A * X + B# 直线随机差值和可接受的差值
line_sigma = 0.1
allow_sigma = 1# 添加直线随机噪声
random_x, random_y = [], []
for i in range(pionts_line_sum):random_x.append(X[i] + random.uniform(-line_sigma, line_sigma))random_y.append(Y[i] + random.uniform(-line_sigma, line_sigma))# 添加随机噪声
for i in range(pionts_noise_sum):random_x.append(random.uniform(X_min, X_max))random_y.append(random.uniform(int(min(Y)), int(max(Y))))# 散点图的横纵轴
RANDOM_X = np.array(random_x)
RANDOM_Y = np.array(random_y)# 初始迭代最大次数
iters = 100# 最好模型的参数估计和内点数目
Best_A, Best_B = 0, 0
point_inner_sum = 0# 开始迭代
count = 0
while count < iters:count += 1# 随机在数据中红选出两个点去求解模型sample_index = random.sample(range(pionts_sum), 2)x_1, y_1 = RANDOM_X[sample_index[0]], RANDOM_Y[sample_index[0]]x_2, y_2 = RANDOM_X[sample_index[1]], RANDOM_Y[sample_index[1]]# 求解出a，ba = (y_2 - y_1) / (x_2 - x_1)b = y_1 - a * x_1# 计算内点数目point_inner_count = 0for index in range(pionts_sum):y_estimate = a * RANDOM_X[index] + bif abs(y_estimate - RANDOM_Y[index]) < allow_sigma:point_inner_count += 1# 计算当前内点比值P_now = point_inner_count / pionts_sum# 判断当前的模型是否比之前估算的模型好if point_inner_count > point_inner_sum:# 用当前的内点比值当成内点的概率iters = count + math.log(1 - P_set) / math.log(1 - pow(P_now, 2))point_inner_sum = point_inner_countBest_A, Best_B = a, b# 判断是否当前模型已经符合期望if P_now > P_expect:breakprint("迭代完成，共迭代{}次，当前内点比值：{}".format(count, P_now))# 最佳估计
Y = Best_A * RANDOM_X + Best_B# 新建标题RANSAC区域图
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.set_title("RANSAC")# 设置轴名称
ax.set_xlabel("x")
ax.set_ylabel("y")# 画散点图
ax.scatter(RANDOM_X, RANDOM_Y)# 画估计直线图
ax.plot(RANDOM_X, Y, linewidth=5, color='g')text = "Best_A = {:.2f} Best_B = {:.2f}".format(Best_A, Best_B)
plt.text(int(X_max / 2), int(max(Y)), text, fontdict={'size': 10, 'color': 'r'})
plt.show()

完整代码：
CSDN
Github

谢谢

RANSAC迭代估计相关推荐

【论文阅读】Modeling the world from internet photo collections
Modeling the world from internet photo collections论文阅读 1.摘要 2.介绍 3.先前技术(历史介绍) 4.重建过程 4.1 关键点的检测和匹配 4 ...
RANSAC估计——以直线拟合为例
RANSAC(RANdom SAmple Consensus),即随机采样一致性.该方法最早是由Fischler和Bolles提出的一种鲁棒估计方法,最早用于计算机视觉中位姿估计问题,现在已广泛应用于 ...
相机模型与标定（十一）--LMEDS，M估计，RANSAC估计对比
原文: http://blog.csdn.net/lanbing510/article/details/50053865 图像配准对于运动平台(无人机,移动机器人)上的视觉处理有着极其重要的作用.配准 ...
2-Entity RANSAC：在变化的环境中进行稳健的视觉定位
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达摘要视觉定位由于其低成本和稳定的传感器而受到广泛关注, 这在许多 ...
物体抓取位姿估計算法綜述_大盘点|6D姿态估计算法汇总(上)
1.DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion (CVPR2019) 原文链接:https://arxiv.org ...
解决物体位姿估计中遮挡、对称、无纹理物体的方法
点击我爱计算机视觉标星,更快获取CVML新技术本文转载自知乎物体6D位姿估计专栏,已获作者授权转载,请勿二次转载. https://zhuanlan.zhihu.com/p/89830618 本文解 ...
（三）计算机视觉 --SIFT特征匹配、地理标记图像匹配及RANSAC图像拼接
目录一.sift特征检测概述 1.1特征点 1.2sift特征检测二.sift特征提取与匹配 2.1特征提取并展示 2.2对两张图片进行特征匹配计算 2.3给定一张图片,输出与其匹配最多的三张图片 ...
6D姿态估计算法汇总
文章目录标题 6D姿态估计的算法 1.GDR-Net: Geometry-Guided Direct Regression Network for Monocular 6D Object Pose ...
传统的6d位姿估计fangfa1_6D姿态估计算法汇总（上）
首发于:公众号[3D视觉工坊] 欢迎加入国内最大的3D视觉交流社区,1700+的领域从业者正在共同进步~ 1.DenseFusion: 6D Object Pose Estimation by Ite ...

RANSAC迭代估计