精匹配——Opencv实现RANSAC算法进行误匹配对剔除，并和最小二乘法对比

精匹配——RANSAC算法思想及优缺点

前言

基于特征的图像匹配中会存在误匹配对，因此为提高匹配率，在粗匹配的基础上实现精匹配，可采用下面两种方法：

以下是本篇文章正对RANSAC的学习记录

一、RANSAC简介

RANSAC(RANdom SAmple Consensus随机采样一致性算法)，是在一组含有“外点”的数据中，不断迭代，最终正确估计出最优参数模型的算法。

• 主要解决样本中的外点问题，最多可处理50%的外点情况。
• 内点：符合最优参数模型的点。
• 外点：不符合最优参数模型的点，一般指的数据中的噪声或无效点，比如说匹配中的误匹配对和估计曲线中的离群点。
• 外点检测算法
• 应用：在计算机视觉的匹配问题中广泛应用，以寻找最佳的匹配模型，达到去除误匹配对，实现精匹配的效果。

二、RANSAC基本思想

1.步骤

 1. 在样本N中随机采样K个点 	
 2. 对这K个点进行模型拟合	
 3. 计算其他点到该拟合模型的距离，并设置阈值，若大于阈值，为外点，则舍弃，小于阈值，为内点，统计内点个数。阈值：为经验值，由具体应用和数据集决定。
 4. 然后以新的内点为基础，再次进行步骤2，得到新的拟合模型，迭代M次，选择内点数最多的模型，此时的模型为最优模型。
 5. 也可以在此基础上，选择出内点数最多的模型，然后对它进行重新估计，估计的时候可以采用最小二乘法来拟合。

2.迭代次数的公式

RANSAC算法中需要进行M次的迭代过程，且迭代的次数也是可以进行估算的。
————————————————————
1、n数据中内点所占的比例（内点的概率p）：

2、选取的K个点至少有一个是外点的概率：

3、因此就能得到迭代M次的情况下，选取点都是外点的概率，进而得到迭代M次中，至少有一次选取点k个点都是内点的概率，也就是正确模型的概率：z一般要求满足大于95%即可。

4、最终得到迭代次数M:
M = log(1-z)/log(1-p^k )
———————————————————

3.举例（拟合直线，拟合最佳单应性矩阵）

如下（示例1）：

用RANSAC算法来拟合直线：

1、首先随机选取K=2个点，且两个点能拟合出一条直线

2、根据拟合直线，计算其他点到该拟合模型的距离，并设置阈值，其中绿色点为小于阈值的点，为内点，黄色的为外点，此时绿色内点为9。

3、然后通过此时的绿色内点，拟合出新的直线，再次计算该拟合新直线情况下的内点数目，此过程不断迭代，找到内点数最大的模型。

用RANSAC算法来寻找最佳单应性矩阵H

在特征匹配中，我们最终要得到一个3*3的单应性矩阵。通常令h33=1来归一化矩阵，因此单应性矩阵有8个自由度h11-h32，求这八个未知数，至少要包含四个匹配点对。

其中(x,y)表示目标图像角点位置,(x’,y’)为场景图像角点位置，s为尺度参数。

h33=1来归一化矩阵？
H单应性矩阵，描述两个平面的映射关系，平面中点的坐标是二维的，第三维取1，为了简单化，将h33=1，为最简单的非零值，来归一化矩阵。
——————
步骤：
通过SIFT算法已经进行了粗匹配，然后利用RANSAC算法来进精匹配。

1、首先在得到的匹配点中，随机选择4个匹配点对（不共线），其他匹配点为外点。

2、根据4对内点计算单应性矩阵。

3、根据此矩阵来测试其他匹配点(计算的是其他匹配点与该模型的投影误差），并设置阈值，若小于为新内点，若大于则为外点，也就是误匹配对，因此通过计算出的单应性矩阵，就能实现一次误匹配点的剔除。

4、将所有的内点统计进行内点更新，在此基础上再次进行步骤3，迭代M次，最终得到含有内点最多的模型，此时模型为最优模型，也就是我们最终所需要的单应性矩阵。

———
大体步骤确定后，我们还需要进行两个参数的确定，阈值和迭代次数。
阈值：经验值
迭代次数：根据上述迭代次数M公式计算得到
——
如何用寻找到的单应性矩阵H来测试该模型下的其他匹配点？
根据代价函数计算，代价函数最小的模型为最优模型。
根据统计的内点数目，数目最多的为最优模型。

三、最小二乘法

1、最小二乘法的主要思想

通过确定未知参数（通常是一个参数矩阵），来使得真实值和预测值的误差（也称残差）平方和最小，其计算公式为

其中 yi是真实值，yi^是对应的预测值。
下图中，红色为数据点，蓝色为最小二乘法求得的最佳解，绿色即为误差

图中有四个数据点分别为：(1, 6), (2, 5), (3, 7), (4, 10)。显然，最佳解(3, 7)

2、最小二乘解

• 上面介绍了最小二乘法的公式：误差平方和

• 如下是2-范数：
  

• 根据这两个式子，进行最小二乘解的分析：

• 已知有一个这样的方程组：Ax=b 其中A∈Rm×n ; x∈Rn×k, b∈Rm×k

• 因此根据最小二乘法公式，那么求解最小二乘的问题即可等价于：

• 

• 因此：

• 对 x 求导：
  

• 解得（最小二乘解）
  

3、仿射变换最小二乘解的例子