为什么RANSAC被称为CV界的“多边形战士”？

RANSAC(RAndom SAmple Consensus,随机采样一致)是一种随机参数估计算法，常常应用于二维图像的拟合、分割等等，由于是估计数学模型参数的迭代算法，因此也被用于三维平面、球的估计，这次笔者将主要介绍其算法原理及在点云拟合、分割及粗配准的代码应用分析，希望能够对读者们的工程研究有所帮助。

1. 算法详解

RANSAC算法由Fischler和Bolles于1981年提出，是一种从数据集合中迭代稳健估计模型参数的方法。该算法的基本思想是不断地从数据集合中随机抽取样本集，寻求支持更多局内点的模型参数，然后利用模型余集检验获得的模型参数，通过一定次数的迭代来达到最大的一致性概率，并将该采样样本集作为理解的样本集，且参数解的正确性由样本余集检验支撑。其中数据集合中包含正确数据（即内点inliers）和异常数据（外点outliers）。同时RANSAC假设：在给定一组含有少部分“内点”的数据，存在一个程序可以估计出符合“内点”的模型。

RANSAC的算法比较简单，主要有以下几步：

1）给定一个数据集$S$，从中选择建立模型所需的最小样本数（例如直线最少由两个点确定，所以最小样本数是2，而平面可以根据不共线三点确定，所以最小样本数为3），记选择数据集为$S$；

2）使用选择的数据集$S$计算得到一个数学模型$M$；

3）用计算的模型$M$去测试数据集中剩余的点，如果测试的数据点在误差允许的范围内，则将该数据点判为内点（inlier），否则判为外点（outlier），记所有内点组成的数据集为$S^{\ast }$，表示为$S$