内容简介：对于上一篇文章——基本矩阵求解方法主要有：先简单介绍一下直接线性变换法：
对于上一篇文章—— 一分钟详解「本质矩阵」推导过程 中，如何稳健地估计本质矩阵或者基本矩阵呢？正是这篇文章重点介绍的内容。
基本矩阵求解方法主要有：
- 直接线性变换法
- 8点法
- 最小二乘法
- 基于RANSAC的鲁棒方法。
先简单介绍一下直接线性变换法：
三个红线标注的三个等式等价。
在上述分析过程中， 如果n>=8时，最小二乘法求解是否是最优估计呢？
接下来，我们重点探讨一下这个问题。
二 稳健估计
2.1 稳健的定义
稳健（robust）:对数据噪声的敏感性。
对于上述采样，如果出现外点（距离正确值较远），将会影响实际估计效果。
2.2 RANSAC——随机一致性采样
RANSAC主要解决样本中的外点问题，最多可处理50%的外点情况。
基本思想：RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：
- 有一个模型适用于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。
- 用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。
- 如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。
- 然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。
- 最后，通过估计局内点与模型的错误率来评估模型。
这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为它比现有的模型更好而被选用。
对上述步骤，进行简单总结如下：
举个例子： 使用RANSAC——拟合直线
以上所述就是小编给大家介绍的《计算机视觉基本原理——RANSAC》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- Macaca 计算机视觉实现原理
- 视觉目标跟踪漫谈：从原理到应用
- 云+技术沙龙：计算机视觉的原理及最佳实践
- 浅谈深度学习的技术原理及其在计算机视觉的应用
- 剑桥构建视觉“语义大脑”：兼顾视觉信息和语义表示
- 如何创造性地应用深度学习视觉模型于非视觉任务（附代码）
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
High Performance Python
Andrew Lewis / O'Reilly Media, Inc. / 2010-09-15 / USD 34.99
Chapter 1. Introduction Section 1.1. The High Performance Buzz-word Chapter 2. The Theory of Computation Section 2.1. Introduction Section 2.2. Problems Section 2.3. Models of Computati......一起来看看 《High Performance Python》 这本书的介绍吧!
