本文主要是介绍【计算机视觉】Lecture 15：鲁棒估计：RANSAC，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
回忆：参数估计
假设我们找到了两幅图像之间的匹配点，我们认为它们是通过一些参数化变换（例如平移；尺度欧几里德；仿射）相关联的。我们如何估计此变换的参数？
基本策略
基于对应点的最小二乘估计
但这个方法有一些问题…
问题：异常点（外点Outliers）
粗略地说，外点是不符合模型的点。
错误数据->外点
粗略地说，外点是不符合模型的点。
符合模型的点被称为内点
外点问题
最小二乘估计对外点敏感，因此，一些外点可以极大地扭曲结果。
解决方法：对外点具有鲁棒性的估计方法。
外点不是唯一的问题
多结构（Multiple structures ）也会扭曲结果。（拟合过程隐式地假设数据中只有一个模型实例）。
鲁棒估计
将估计视为两个阶段的过程：
-
将数据点分类为外点或内点
-
在忽略外点的情况下将模型拟合到内点
示例技术：RANSAC
（随机一致性采样 RANdom SAmple Consensus）
M. A. Fischler and R. C. Bolles (June 1981). “Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography”. Comm. of the ACM 24: 381–395.
Ransac 过程
算法流程
S——求解模型需要的最少的点的个数
N——需要的迭代次数
d——用于判断一个点是否适应于模型的阈值
T——断定一个模型拟合是否合理所需要的周围点个数
直到N次迭代完成
从一组观测数据中采样 S 个点：
一致且随机地；
对这 S 个点拟合模型；
针对采样以外的每个数据点：
根据d测试其到直线的距离，如果距离小于d，则这个点被当做临近直线的内点
结束；
如果有大于等于 T 个点是临近直线的内点，则找到了一个好的拟合模型。用所有的这些内点重新拟合模型；
结束；
使用拟合误差作为评判，从上述多次采样得到的一系列拟合中选择最好的拟合模型
采样次数的选择
e = 一个点是外点的概率
s = 一次采样中点个数（求解模型需要的最少的点的个数）
N = 采样次数（迭代次数，这也是我们想要计算的）
p = 我们得到一次好的采样的理想概率
求解下式得到N：
1 - e：选择的采样点是内点的概率
在一行中选择的采样点均为内点的概率（也就是采样中只包含内点）
采样中一个或多个点（至少有一个）是外点（此次采样失败）的概率。
N次采样全部失败的概率
N次采样中至少有一次采样成功的概率（也就是至少一次采样中的s个点都是仅由内点组成的）
采样次数？
选择N，使得在概率p下，至少有一个随机样本是没有外点的。比如 p = 0.99
例子：直线拟合问题中的N
- 总共数据量n = 12个点
- 最小采样大小 s = 2
- 两个外点：e = 1 / 6 -> 20%
- 所以 N = 5 给了我们 99% 的机会得到一个全内点的采样
可接受的一致数据集
我们已经看到，我们不必穷尽地采样点的所有子集，我们只需要随机采样 N 个子集。
然而，通常情况下，我们甚至不需要采样 N 个子集！
提前终止迭代：当内点率达到预期的内点率时则终止迭代（如果发现了一种足够好的模型（该模型有足够小的错误率），则跳出主循环）
RANSAC：选择距离阈值d
通常根据经验选择
但是…当测量误差已知，并且是平均值0和方差s2的高斯时：平方误差之和服从 m 自由度的 χ2 分布，其中m是误差测量的自由度（余维数）
（维数+余维数）= 参数空间维数
例子：内点概率 p = 0.95
RANSAC之后
• RANSAC将数据分为内点和外点，并在支持度最大的情况下从最小内点集中计算出估计值
• 使用所有内点，进行最小二乘估计（即标准最小化），从而改进初始的估计
• 找到与最小二乘直线相关的内点，并再次计算最小二乘。
实际例子
使用RANSAC稳定航空图像，滤除误匹配
-
在两个图像中寻找角点
-
使用NCC进行假设匹配
-
使用RANSAC查找与仿射变换一致的匹配点
-
获取找到的内点集并估计一个完整的射影变换（单应性矩阵）
RANSAC算法经常用于计算机视觉，例如同时求解相关问题与估计立体摄像机的基础矩阵，在图像拼接时求变换矩阵的时候。
稳定应用
输入：空中视频序列中的两幅图像。
注意，相机的运动是有“扰动”的
稳定应用
**步骤1：**从两帧中提取Harris角点。
我们用一个比较小的阈值R，因为我们想要很多角点（为了下一步的匹配）
**步骤2：**假设匹配。
针对图像1中的每个角点，使用NCC在图像2中寻找匹配的灰度值图像块。确保匹配对在两个方向上都有最高的NCC匹配得分。
**步骤2：**假设匹配。
正如你所看到的，很多错误的匹配得到了假设。RANSAC的任务是清理这一烂摊子。
**步骤3：**使用RANSAC将最佳的仿射变换鲁棒地拟合到匹配点集。
有多少个未知数？
需要多少匹配点？
**步骤3：**使用RANSAC将最佳的仿射变换鲁棒地拟合到匹配点集。
仿射变换有6个自由度。因此我们需要3组匹配点对（每一组点对可以列出两个方程）
随机采样3组匹配点对。针对每一个采样，计算它们所定义的唯一的仿射变换。
如何从3组匹配点对计算仿射变换？
使用最小二乘
然后使用计算的该变换将所有点从图像1变换到图像2，并查看有多少其他匹配点对确认了该假设。重复N次。
**步骤4：**取用RANSAC标记的内点集，现在使用最小二乘法来估计一个射影变换，该变换将图像对齐。
**步骤4：**估计射影变换，该变换将图像对齐
现在人们（和计算机）更容易看到移动的物体。
稳定例子（Stabilization Examples）
这篇关于【计算机视觉】Lecture 15：鲁棒估计：RANSAC的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
