RANSAC算法注记

今天学习了一下RANSAC随机样本一致性算法，其在图像融合、特征点匹配方面有很强大的应用。网上已经有很多人写了关于这方面的文档，就不再造轮子了。特此罗列出来，以供后续参考。

• 我的数学之美（一）——RANSAC算法详解
  这篇文章很基本地讲述了RANSAC算法的基本概念。

• RANSAC算法原理与源码解析
  本篇文章讲述了在opencv特征点匹配过程中ransac算法滤除误匹配的详细思路。其中讲到：

  OpenCV中滤除误匹配对采用RANSAC算法寻找一个最佳单应性矩阵H，矩阵大小为3×3。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常令h33=1来归一化矩阵。由于单应性矩阵有8个未知参数，至少需要8个线性方程求解，对应到点位置信息上，一组点对可以列出两个方程，则至少包含4组匹配点对。
  

  
  
  

  RANSAC算法从匹配数据集中随机抽出4个样本并保证这4个样本之间不共线，计算出单应性矩阵，然后利用这个模型测试所有数据，并计算满足这个模型数据点的个数与投影误差(即代价函数)，若此模型为最优模型，则对应的代价函数最小。
  

  
  
  
  注意两点：
  1. 目标图像也就是测试图像或者称为query set（查询集），场景图像称为train set （训练集） ，对应模板图像。一般我们都是在训练图像中，查询测试图像的特征点的匹配情况。
  2. 关于上面投影矩阵参数的求解问题。
     一组点对（两个点）代入上面方程，则可以分解出三个方程，但实际上就是两个方程，最后一个方程是缩放参数s，可以消掉。至于s的存在主要是齐次化的结果。

• 学习OpenCV——KeyPoint Matching 优化方式

• 学习OpenCV——通过KeyPoints进行目标定位
  介绍了sift,surf,orb描述子的一些对比，以及匹配的一些优化方法。