RANSAC算法详解分析和总结.pdfVIP

给定两个点 p1 与 p2 的坐标，确定这两点所构成的直线，要求对于输入的任意点 p3 ，都可以判断它是否在该直线上。初中解析几何知识告诉我们，判断一个点在 直线上，只需其与直线上任意两点点斜率都相同即可。实际操作当中，往往会先根 据已知的两点算出直线的表达式（点斜式、截距式等等），然后通过向量计算即可 方便地判断 p3 是否在该直线上。 生产实践中的数据往往会有一定的偏差。例如我们知道两个变量 X 与 Y 之间 呈线性关系， Y=aX+b ，我们想确定参数 a 与 b 的具体值。通过实验，可以 得到 一组 X 与 Y 的测试值。虽然理论上两个未知数的方程只需要两组值即可确认，但 由于系统误差的原因，任意取两点算出的 a 与 b 的值都不尽相同。我们希望的 是，最后计算得出的理论模型与测试值的误差最小。大学的高等数学课程中，详细 阐述了最小二乘法的思想。通过计算最小均方差关于参数 a 、b 的偏导数为零时的 值。事实上，在很多情况下，最小二乘法都是线性回归的代名词。 遗憾的是，最小二乘法只适合与误差较小的情况。试想一下这种情况，假使 需要从一个噪音较大的数据集中提取模型（比方说只有 20% 的数据时符合模型 的）时，最小二乘法就显得力不从心了。例如下图，肉眼可以很轻易地看出一条直 线（模式），但算法却找错了。 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： ? 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。 ? 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。 ? 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。 ? 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。 ? 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。 整个过程可参考下图： 关于算法的源代码， Ziv Yaniv 曾经写一个不错的 C++ 版本，我在关键处增补了注 释： C 代码 #include math.h #include LineParamEstimator.h LineParamEstimator :: LineParamEstimator ( double delta ) : m_delta Squared ( delta * delta ) {} /************************************************************* ****************/ /* * Compute the line parameters [n_x,n_y,a_x,a_y] * 通过输入的两点来确定所在直线，采用法线向量的方式来表示，以兼容平 行或垂直的情况 * 其中 n_x,n_y 为归一化后，与原点构成的法线向量， a_x,a_y 为直线上任 意一点 */ void LineParamEstimator :: estimate ( std :: vector Point2D * data , std :: vector double parameters ) { parameters . clear (); if ( data . size () 2)