RANSAC算法理解与应用

RANSAC 思路

RANSAC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。而假设性，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。

具体的流程：
1、在可以有（也可以没有，主要看应用场景）条件限制（比如选的子集里的点不能过远等）的情况下，随机选取子集，并假设为局内点。子集的大小，主要取决于要拟合模型的复杂度。
2、用局内点拟合一个模型，此模型适应于假设的局内点，所有的未知参数都能从假设的局内点计算得出。
3、 用2中得到的模型去测试整个数据中其他数据，如果某个点适用于估计的模型，认为它也是局内点，将局内点扩充。
4、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。
5、用所有扩充后的局内点去重新估计模型。
6、通过估计局内点与模型的错误率来评估模型。
7、如果当前模型效果比最好模型更好而被选用为最好模型，否则抛弃当前模型。至此完成一个迭代，然后从第1步开始一个新的迭代。

其实我们看完这个流程，其实RANSCA的思路通俗的说，就是在一定的条件下（不是没有限制的随机），去试，试的多了找到正确或者好的可能行就大了。整个思路很朴素，其实通过概率分析，其实他的得到好的结果的计算量，没有你想想的那么大，当然其还是有一定的概率会计算错。

应用解析

ransac特征匹配案例解析
直线拟合