标签：RANSAC const pt 模型 --- 散点 内点 bestInliers 参数
一、算法原理
随机样本一致性(Random Sample Consensus RANSAC) 是一种迭代方法，用于从包含异常值的观察数据中估计出数学模型参数，因此也可以理解为一种异常值检测方法。RANSAC的一个基本假设是，数据由内点("inliers")和外点("outliers")组成，其中内点是在一定误差范围内可以通过一些模型参数来解释的数据，外点是不符合模型的数据。RANSAC的另一个假设是，随机选取的样本数据都是内点，存在一个可以估计模型参数的过程，该模型可以最佳地解释或拟合该数据。
二、算法步骤
- step1 从原始数据集\(S\)中随机选择子集\(s\)，\(s\)为假设的内点(子集\(s\)一般为最小子集，如：直线选取两个点，圆选择三个点)
- step2 依据子集\(s\)估计模型参数
- step3 遍历数据集\(S\)中除子集\(s\)外的所有数据，如果数据点在给定误差\(e\)以内，则标记为内点，否则标记为外点
- step4 所有内点组成一致集，如果一致集中点的个数满足给定阈值\(T\)，则用一致集中所有内点重新估计模型参数，然后结束算法
- step5 如果一致集中内点个数少于阈值\(T\)，则重新选择新的子集\(s\)，并重复step1-4
- step6 经过\(K\)次迭代，选择一个内点数量最多的一致集，用一致集中所有内点重新估计模型参数，然后结束算法
三、代码
3.1 伪代码
-
输入：
\(S\): 观测数据集
Model: 待求模型（如：直线，圆）
\(N\): 估计模型参数最小数据个数
\(K\): 最大迭代次数
\(e\)：允许的误差阈值
\(T\)：内点个数阈值 -
输出：
最满足数据的模型参数
iterations = 0
bestFit = null
bestInliers = null
bestErr = 无穷大
while iterations < \(K\) do
MaybeInliers := 从数据集\(S\)中随机选择\(N\)个样本
maybeModel := 通过MaybeInliers中拟合的模型参数
alsoInliers := 空集
for 数据集中除MaybeInliers外的所有点pt do
if 点pt和现有模型的误差值小于 \(e\)
将点pt添加至alsoInliers
end if
end for
if 内点个数大小于\(T\) then
// 内点已经足够多， 依据内点重新估计模型参数
betterModel := 通过alsoInliers和MaybeInliers估计模型参数
thisErr := 模型估计后与数据集的误差
if thisErr < bestErr then
bestFit := betterModel
bestErr := thisErr
return bestFit
end if
else
if alsoInliers的内点数量 大于 bestInliers的内点数量 then
bestInliers := alsoInliers + maybeInliers
end if
end if
iterations增加1
end while
bestFit := 通过bestInliers估计模型参数
return bestFit
C++ 代码
double Fitter::FitCircleByRANSAC(const std::vector<core::Point2>& pointArray, core::Point2& center, double& radius, const int iterNum, const double e, const float ratio)
{
const int N = pointArray.size();
const int targetN = N * ratio;
int iter = 0;
std::vector<core::Point2> bestInliers;
while (iter < iterNum) {
std::set<int> seedIds;
GetNRand(N, 3, seedIds); // circle need 3 point
if (seedIds.size() < 3) {
break;
}
std::vector<core::Point2> seedPts;
for (const int idx : seedIds) {
seedPts.push_back(pointArray[idx]);
}
core::Point2 seedCenter;
double seedR2 = 0.0;
GetCircle(seedPts[0], seedPts[1], seedPts[2], seedCenter, seedR2);
std::vector<core::Point2> maybeInliers;
for (const core::Point2 pt : pointArray) {
if (std::abs((pt.x - seedCenter.x) * (pt.x - seedCenter.x) + (pt.y - seedCenter.y) * (pt.y - seedCenter.y) - seedR2) < e) {
maybeInliers.push_back(pt);
}
}
if (maybeInliers.size() > targetN) {
// it show the inliers is enough
return FitCircleByLeastSquare(maybeInliers, center, radius);
}
else {
if (maybeInliers.size() > bestInliers.size()) {
bestInliers.swap(maybeInliers);
for (const core::Point2 pt : seedPts) {
bestInliers.push_back(pt);
}
}
}
++iter;
}
return FitCircleByLeastSquare(bestInliers, center, radius);
}
参考链接
标签：RANSAC,const,pt,模型,---,散点,内点,bestInliers,参数 来源： https://www.cnblogs.com/xiaxuexiaoab/p/16335766.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。