它可以從一組包含“局外點”的觀測數據集中,通過迭代方式估計數學模型的參數。它是一種不確定的算法——它有一定的概率得出一個合理的結果;爲了提高概率必須提高迭代次數。該算法最早由Fischler和Bolles於1981年提出。
光看文字還是太抽象了,我們再用圖描述
RANSAC的基本假設是:
(1)數據由“局內點”組成,例如:數據的分佈可以用一些模型參數來解釋;
(2)“局外點”是不能適應該模型的數據;
(3)除此之外的數據屬於噪聲。
而下圖二里面、藍色部分爲局內點,而紅色部分就是局外點,而這個算法要算出的就是藍色部分那個模型的參數
(圖二)
RANSAC算法的輸入是一組觀測數據,一個可以解釋或者適應於觀測數據的參數化模型,一些可信的參數。
在上圖二中 左半部分灰色的點爲觀測數據,一個可以解釋或者適應於觀測數據的參數化模型 我們可以在這個圖定義爲一條直線,如y=kx + b;
一些可信的參數指的就是指定的局內點範圍。而k,和b就是我們需要用RANSAC算法求出來的
RANSAC通過反覆選擇數據中的一組隨機子集來達成目標。被選取的子集被假設爲局內點,並用下述方法進行驗證:
1.有一個模型適應於假設的局內點,即所有的未知參數都能從假設的局內點計算得出。
2.用1中得到的模型去測試所有的其它數據,如果某個點適用於估計的模型,認爲它也是局內點。
3.如果有足夠多的點被歸類爲假設的局內點,那麼估計的模型就足夠合理。
4.然後,用所有假設的局內點去重新估計模型,因爲它僅僅被初始的假設局內點估計過。
5.最後,通過估計局內點與模型的錯誤率來評估模型。
這個過程被重複執行固定的次數,每次產生的模型要麼因爲局內點太少而被捨棄,要麼因爲比現有的模型更好而被選用。
這個算法用圖二的例子說明就是先隨機找到內點,計算k1和b1,再用這個模型算其他內點是不是也滿足y=k1x+b2,評估模型
再跟後面的兩個隨機的內點算出來的k2和b2比較模型評估值,不停迭代最後找到最優點
我再用圖一的模型說明一下RANSAC算法
(圖1)
RANSAC算法的輸入是一組觀測數據,一個可以解釋或者適應於觀測數據的參數化模型,一些可信的參數。
- #include <math.h>
- #include "LineParamEstimator.h"
- LineParamEstimator::LineParamEstimator(double delta) : m_deltaSquared(delta*delta) {}
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 通過輸入的兩點來確定所在直線,採用法線向量的方式來表示,以兼容平行或垂直的情況
- * 其中n_x,n_y爲歸一化後,與原點構成的法線向量,a_x,a_y爲直線上任意一點
- */
- void LineParamEstimator::estimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- parameters.clear();
- if(data.size()<2)
- return;
- double nx = data[1]->y - data[0]->y;
- double ny = data[0]->x - data[1]->x;// 原始直線的斜率爲K,則法線的斜率爲-1/k
- double norm = sqrt(nx*nx + ny*ny);
- parameters.push_back(nx/norm);
- parameters.push_back(ny/norm);
- parameters.push_back(data[0]->x);
- parameters.push_back(data[0]->y);
- }
- /*****************************************************************************/
- /*
- * Compute the line parameters [n_x,n_y,a_x,a_y]
- * 使用最小二乘法,從輸入點中擬合出確定直線模型的所需參量
- */
- void LineParamEstimator::leastSquaresEstimate(std::vector<Point2D *> &data,
- std::vector<double> ¶meters)
- {
- double meanX, meanY, nx, ny, norm;
- double covMat11, covMat12, covMat21, covMat22; // The entries of the symmetric covarinace matrix
- int i, dataSize = data.size();
- parameters.clear();
- if(data.size()<2)
- return;
- meanX = meanY = 0.0;
- covMat11 = covMat12 = covMat21 = covMat22 = 0;
- for(i=0; i<dataSize; i++) {
- meanX +=data[i]->x;
- meanY +=data[i]->y;
- covMat11 +=data[i]->x * data[i]->x;
- covMat12 +=data[i]->x * data[i]->y;
- covMat22 +=data[i]->y * data[i]->y;
- }
- meanX/=dataSize;
- meanY/=dataSize;
- covMat11 -= dataSize*meanX*meanX;
- covMat12 -= dataSize*meanX*meanY;
- covMat22 -= dataSize*meanY*meanY;
- covMat21 = covMat12;
- if(covMat11<1e-12) {
- nx = 1.0;
- ny = 0.0;
- }
- else { //lamda1 is the largest eigen-value of the covariance matrix
- //and is used to compute the eigne-vector corresponding to the smallest
- //eigenvalue, which isn't computed explicitly.
- double lamda1 = (covMat11 + covMat22 + sqrt((covMat11-covMat22)*(covMat11-covMat22) + 4*covMat12*covMat12)) / 2.0;
- nx = -covMat12;
- ny = lamda1 - covMat22;
- norm = sqrt(nx*nx + ny*ny);
- nx/=norm;
- ny/=norm;
- }
- parameters.push_back(nx);
- parameters.push_back(ny);
- parameters.push_back(meanX);
- parameters.push_back(meanY);
- }
- /*****************************************************************************/
- /*
- * Given the line parameters [n_x,n_y,a_x,a_y] check if
- * [n_x, n_y] dot [data.x-a_x, data.y-a_y] < m_delta
- * 通過與已知法線的點乘結果,確定待測點與已知直線的匹配程度;結果越小則越符合,爲
- * 零則表明點在直線上
- */
- bool LineParamEstimator::agree(std::vector<double> ¶meters, Point2D &data)
- {
- double signedDistance = parameters[0]*(data.x-parameters[2]) + parameters[1]*(data.y-parameters[3]);
- return ((signedDistance*signedDistance) < m_deltaSquared);
- }
RANSAC尋找匹配的代碼如下:
- /*****************************************************************************/
- template<class T, class S>
- double Ransac<T,S>::compute(std::vector<S> ¶meters,
- ParameterEsitmator<T,S> *paramEstimator ,
- std::vector<T> &data,
- int numForEstimate)
- {
- std::vector<T *> leastSquaresEstimateData;
- int numDataObjects = data.size();
- int numVotesForBest = -1;
- int *arr = new int[numForEstimate];// numForEstimate表示擬合模型所需要的最少點數,對本例的直線來說,該值爲2
- short *curVotes = new short[numDataObjects]; //one if data[i] agrees with the current model, otherwise zero
- short *bestVotes = new short[numDataObjects]; //one if data[i] agrees with the best model, otherwise zero
- //there are less data objects than the minimum required for an exact fit
- if(numDataObjects < numForEstimate)
- return 0;
- // 計算所有可能的直線,尋找其中誤差最小的解。對於100點的直線擬合來說,大約需要100*99*0.5=4950次運算,複雜度無疑是龐大的。一般採用隨機選取子集的方式。
- computeAllChoices(paramEstimator,data,numForEstimate,
- bestVotes, curVotes, numVotesForBest, 0, data.size(), numForEstimate, 0, arr);
- //compute the least squares estimate using the largest sub set
- for(int j=0; j<numDataObjects; j++) {
- if(bestVotes[j])
- leastSquaresEstimateData.push_back(&(data[j]));
- }
- // 對局內點再次用最小二乘法擬合出模型
- paramEstimator->leastSquaresEstimate(leastSquaresEstimateData,parameters);
- delete [] arr;
- delete [] bestVotes;
- delete [] curVotes;
- return (double)leastSquaresEstimateData.size()/(double)numDataObjects;
- }
在模型確定以及最大迭代次數允許的情況下,RANSAC總是能找到最優解。經過我的實驗,對於包含80%誤差的數據集,RANSAC的效果遠優於直接的最小二乘法。