SLAM之解析RANSAC算法

RANSAC算法在处理特征误匹配的时候常常被提及，算法不论大小，不学不明，那么今天让我们一起探秘这一个经典算法！

这一部分实际上在SLAM知识篇中我已经做了阐述，这里单独拿出来。如果还有什么问题，请留言。    

---

一篇RANSAC简介博客： https://blog.youkuaiyun.com/robinhjwy/article/details/79174914 

另一篇博客也很有帮助，可以参考：https://blog.youkuaiyun.com/YunlinWang/article/details/78147026

ORBSLAM2中的RANSAC算法举例： https://blog.youkuaiyun.com/qq_18661939/article/details/52077491

 

算法伪代码——

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c