RANSAC算法应用及opencv实现

一、概述
RANSAC算法的输入是一组观测数据（往往含有较大的噪声或无效点），一个用于解释观测数据的参数化模型以及一些可信的参数。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它数据，如果某个点适用于估计的模型，认为它也是局内点。
3.如果有足够多的点被归类为假设的局内点，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（譬如使用最小二乘法），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。
上述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，要么因为比现有的模型更好而被选用。
二、应用
RANSAC算法在计算机视觉中应用很广，尤其是在三维重建方面，对匹配特征点对的筛选以及F矩阵的估计都有起到很大作用。
在SFM中，每次循环随机抽取由2张图像中特征匹配得到的8个匹配点对作为内点，计算对极几何去估计F矩阵，然后用其估计结果去校验剩余所有的匹配对，如果在设置的适应模型的阈值范围内，则也可以算作内点，其余则为外点。具体来说，就是用其中一个像素坐标加上估计得到的F矩阵，去校验另一个像素坐标，并和匹配对的像素坐标比较，如果在误差范围内即可。反复重复以上过程，直到最后达到一定的内点率(内点占总样本的比例)跳出循环。结果就可以得到内点就是挑选出的去除粗差滤波优化后的匹配点对，F矩阵就是最后这2张图像之间的几何关系。
还有一个细节要注意，使用8个匹配对点和最后得到的更多其他内点一起结果估计F矩阵时可以采用最小二乘法进行优化。

三.代码

//Ransac filter

    double start,stop,durationTime;
    start=clock();

    vectorR_kp1,R_kp2;
    for(int i=0;ivectorp1,p2;
    for(int i=0;ivectorRansacStatus;
    Mat Fundamental=findFundamentalMat(p1,p2,RansacStatus);

    vectorRR_kp1,RR_kp2;
    vectormatches_ransac;
    int index=0;
    for(int i=0;iif(RansacStatus[i]){
        RR_kp1.push_back(R_kp1[i]);
        RR_kp2.push_back(R_kp2[i]);
        matches_all[i].queryIdx=index;
        matches_all[i].trainIdx=index;
        matches_ransac.push_back(matches_all[i]);
        index++;
      }
    }
    cout << "Get total " << matches_ransac.size() << " matches_ransac." << endl;
    Mat  show_ransac= DrawInlier(img1, img2, RR_kp1, RR_kp2, matches_ransac, 1);
    cvNamedWindow("show_ransac",0);
    imshow("show_ransac", show_ransac);

    stop=clock();
    durationTime = ((double)(stop-start))/CLOCKS_PER_SEC;
    cout<<"matches_ransac:"<"s"<