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。
RESTful Web Services Cookbook
Subbu Allamaraju / Yahoo Press / 2010-3-11 / USD 39.99
While the REST design philosophy has captured the imagination of web and enterprise developers alike, using this approach to develop real web services is no picnic. This cookbook includes more than 10......一起来看看 《RESTful Web Services Cookbook》 这本书的介绍吧!
