最近ORB+RANSAC记录

    ORB是一种特征提取算法，由于其快速性可以满足系统的实时性要求，得到了广泛使用。其提取算法已经集成在了opencv中，但是会出现特征点分布不均的问题，为此也有人做了改进。

    其匹配算法也有很多，最简单时暴力匹配，1中的特征点的描述子挨个和2中进行比较，取距离最小的认为是匹配的特征点，但是1,2中的特征点并不是相同的，2中可能没有1中提取的特征点，所以会出现很多误匹配，为解决该问题，出现了FLANN、RANSAC等算法，FLANN其实是最近邻库，具体还需研究，RANSAC是一种基于模型的剔除算法吧。

一个简单的例子就是从一组观测数据中找出合适的二维直线。假设观测数据中包含局内点和局外点，其中局内点近似的被直线所通过，而局外点远离直线。简单的最小二乘法不能找到适应于局内点的直线，原因是最小二乘法尽量去适应包括局外点在内的所有点。相反，RANSAC能得出一个仅仅利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，我们必须小心的选择算法的参数。

算法概述

RANSAC算法的输入是一组观测数据，一个可以解释或者适应于观测数据的参数化模型，一些可信的参数。
RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：

1. 有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出；
2. 用1中得到的模型去测试所有的其他数据，如果某个点适应于估计的模型，认为它也是局内点。
3. 如果有足够多的点被归类于假设的局内点，那么估计的模型就足够合理；
4. 然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过；
5. 最后，通过估计局内点与模型的错误率来评估模型。

这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为比现在的模型更好而被选用。

 RANSAC的优劣

RANSAC的优点：是能鲁棒的估计模型参数。例如，它能从包含大量局外点的数据集中估计出高精度的参数。
RANSAC的缺点：计算参数的迭代次数没有上限，如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果。RANSAC只有一定的概率得到可信的模型，概率与迭代次数成正比。另一个缺点是它要求设置跟问题相关的阈值。而且RANSAC只能从特定的数据集中估计出一个模型，如果存在两个（或多个）模型，RANSAC不能找到别的模型。
总之，在一组包含局内点的数据集中，采用不断迭代的方法寻找参数模型。

摘抄自https://fangget.github.io/2016/09/08/cv-ransac-epnp/