作者:王先荣 原文链接:http://blog.csdn.net/dadaadao/article/details/6247345
本文翻译自维基百科,英文原文地址是:http://en.wikipedia.org/wiki/ransac,如果您英语不错,建议您直接查看原文。
RANSAC是“RANdom SAmple Consensus(随机抽样一致)”的缩写。它可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数。该算法最早由Fischler和Bolles于1981年提出。
RANSAC的基本假设是:
(1)数据由“局内点”组成,例如:数据的分布可以用一些模型参数来解释;
(2)“局外点”是不能适应该模型的数据;
(3)除此之外的数据属于噪声。
局外点产生的原因有:噪声的极值;错误的测量方法;对数据的错误假设。
RANSAC也做了以下假设:给定一组(通常很小的)局内点,存在一个可以估计模型参数的过程;而该模型能够解释或者适用于局内点。
本文内容
1 示例
2 概述
3 算法
4 参数
5 优点与缺点
6 应用
7 参考文献
8 外部链接
一、示例
一个简单的例子是从一组观测数据中找出合适的2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,而局外点远离于直线。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。
左图:包含很多局外点的数据集 右图:RANSAC找到的直线(局外点并不影响结果)
二、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,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,要么因为比现有的模型更好而被选用。
三、算法
伪码形式的算法如下所示:
输入:
data —— 一组观测数据
model —— 适应于数据的模型
n —— 适用于模型的最少数据个数
k —— 算法的迭代次数
t —— 用于决定数据是否适应于模型的阀值
d —— 判定模型是否适用于数据集的数据数目
输出:
best_model —— 跟数据最匹配的模型参数(如果没有找到好的模型,返回null)
best_consensus_set —— 估计出模型的数据点
best_error —— 跟数据相关的估计出的模型错误
iterations = 0
best_model = null
best_consensus_set = null
best_error = 无穷大
while ( iterations < k )
maybe_inliers = 从数据集中随机选择n个点
maybe_model = 适合于maybe_inliers的模型参数
consensus_set = maybe_inliers
for ( 每个数据集中不属于maybe_inliers的点 )
if ( 如果点适合于maybe_model,且错误小于t )
将点添加到consensus_set
if ( consensus_set中的元素数目大于d )
已经找到了好的模型,现在测试该模型到底有多好
better_model = 适合于consensus_set中所有点的模型参数
this_error = better_model究竟如何适合这些点的度量
if ( this_error < best_error )
我们发现了比以前好的模型,保存该模型直到更好的模型出现
best_model = better_model
best_consensus_set = consensus_set
best_error = this_error
增加迭代次数
返回 best_model, best_consensus_set, best_error
RANSAC算法的可能变化包括以下几种:
(1)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。这样可能会节约计算额外参数的时间。
(2)直接从maybe_model计算this_error,而不从consensus_set重新估计模型。这样可能会节约比较两种模型错误的时间,但可能会对噪声更敏感。
四、参数
我们不得不根据特定的问题和数据集通过实验来确定参数t和d。然而参数k(迭代次数)可以从理论结果推断。当我们从估计模型参数时,用p表示一些迭代过程中从数据集内随机选取出的点均为局内点的概率;此时,结果模型很可能有用,因此p也表征了算法产生有用结果的概率。用w表示每次从数据集中选取一个局内点的概率,如下式所示:
w = 局内点的数目 / 数据集的数目
通常情况下,我们事先并不知道w的值,但是可以给出一些鲁棒的值。假设估计模型需要选定n个点,wn是所有n个点均为局内点的概率;1 −wn是n个点中至少有一个点为局外点的概率,此时表明我们从数据集中估计出了一个不好的模型。(1 −wn)k表示算法永远都不会选择到n个点均为局内点的概率,它和1-p相同。因此,
1 −p= (1 −wn)k
我们对上式的两边取对数,得出
值得注意的是,这个结果假设n个点都是独立选择的;也就是说,某个点被选定之后,它可能会被后续的迭代过程重复选定到。这种方法通常都不合理,由此推导出的k值被看作是选取不重复点的上限。例如,要从上图中的数据集寻找适合的直线,RANSAC算法通常在每次迭代时选取2个点,计算通过这两点的直线maybe_model,要求这两点必须唯一。
为了得到更可信的参数,标准偏差或它的乘积可以被加到k上。k的标准偏差定义为:
五、优点与缺点
RANSAC的优点是它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的缺点是它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。RANSAC的另一个缺点是它要求设置跟问题相关的阀值。
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。
六、应用
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。
七、参考文献
八、外部链接
九、后话
本文在翻译的过程中参考了沈乐君的文章《随机抽样一致性算法RANSAC源程序和教程》。Ziv Yaniv已经用C++实现了RANSAC,您可以点击这里下载源程序。
不过,如果时间允许的话,我打算自己动手用C#去实现RANSAC算法,原因有两个:
(1)熟悉算法的最佳途径是自己去实现它;
(2)方便使用.net的同志们利用RANSAC。
感谢您耐心看完我的蹩脚翻译,希望对您有所帮助。
分享到:
相关推荐
Ransac随机抽样一致性算法 opengl绘制
一个简单的随机抽样一致性算法(matlab)
然后利用改进的随机抽样一致算法去除误匹配点对,获得最优单应性矩阵;最后,对重叠区域像素进行动态融合处理。实验结果表明,采用本文算法可以有效地消除视频重叠区域的拼接缝和鬼影,同时可保证视频拼接系统的实时性。
在随机抽样一致性 ( RANSAC)的基础上, 提出了一种对多个平面区域同时进行检测的算法。该算法假设 对同一场景的一对未定标图像已经进行了特征点提取和匹配, 首先利用对极几何约束计算出一对极点, 然后随机抽 取多组 3...
回归算法
随机抽样一致性(RANSAC)算法MATLAB实现
针对传统平面拟合算法难以拟合包含异常值点云的问题,提出结合特征值法的随机抽样一致性(RANSAC)平面拟合算法。随机选取三个点云数据直接计算平面,选择阈值统计在此平面上的内点数量,多次重复求得包含最多内点的...
二维图像中随机抽样一致性RANSAC算法的实现
随机抽样一致性算法的改进,实现参数的一致性检验,速度更快。
随机抽样一致性算法,主要用于参数一致性的检验。
传统随机抽样一致性(RANSAC)算法只能进行粗配准, 且配准效率低。针对该问题提出一种改进的RANSAC快速点云配准算法。该算法将内部形态描述子算法和快速点特征直方图(FPFH)算法相结合, 得到特征描述子, 然后采用预...
基于随机抽样一致性原理的线和平面拟合方法研究,周丽君,张寅,为了更好的解决机器视觉的参数拟合问题,采用基于随机抽样一致性原理的拟合算法。在随机抽样一致性原理的基础上,将RANSAC算法用于
近红外(NIR)光谱分析中的异常样品严重影响所建立模型的分析精度和稳定性,将随机抽样一致性(RANSAC)算法引入到近红外光谱分析中,以建立稳健的近红外定量分析模型。在RANSAC算法的基础上,结合近红外光谱分析的...
当数据中外点比例很大的时候,传统随机抽样一致性(RANSAC)算法就需要大量的采样样本,这在实际运行时会降低算法效率.为了解决这个问题,提出了一个有效的基于采样的算法,利用射影变换下共线4点的交比不变性,对含有大量...
针对虹膜图像中有较多光斑的情况,提出一种基于有向梯度和随机抽样一致性(RANSAC)相结合的虹膜定位算法。该算法根据瞳孔内某点利用有向梯度提取内缘像素点,采用RANSAC定位虹膜内缘;下采样虹膜图像,利用圆差分...
视觉定位系统中,图像匹配的精度直接影响整个定位系统的精度,针对图像匹配中存在的误匹配率较高等问题,提出了一种基于多层次FAST(MFAST)和优化采样的随机采样一致性(RANSAC)算法的图像匹配算法。首先采用MFAST算法...
针对此问题,在实现标志点自动匹配的基础上引入随机抽样一致(RANSAC)算法去除误匹配标志点。该方法根据选定好的目标模型和相关评判准则,将所有的匹配标志点分为内点和外点,利用内点计算出当前最佳目标模型参数,...
使用随机抽样一致性(RANSAC)算法,根据刚性距离约束条件得到精确匹配点对;利用四元素法计算得到初始配准参数,采用改进的最近点迭代(ICP)算法对点云精确配准。实验结果表明了此方法的有效可行性。
图像存在遮挡、尺度缩放、多干扰时,传统加速鲁棒特征(SURF)算法会产生错误匹配问题...算法与随机抽样一致性算法(RANSAC)进行实验对比,表明该算法能有效提高匹配正确率和保证低误剔除率,提高了商品图像的识别率。
配,并通过随机抽样一致性算法(Random Sample Consensus)进行特征点的提纯,删 除例如错误的匹配特征点对。针对粗匹配后误匹配点对较多导致的 RANSAC 算法 效率降低、运算时间变长的情况,论文以视差梯度约束对粗...