可以改进 RANSAC 以消除异常值吗？答案

【问题标题】：Can RANSAC be improved to remove outliers?可以改进 RANSAC 以消除异常值吗？
【发布时间】：2015-04-01 07:44:58
【问题描述】：

我正在使用 SIFT 特征检测器和描述符。我正在匹配两个图像之间的点。我正在使用带有 RANSAC 方法的 OpenCV 的 findHomography() 函数。

当我阅读 RANSAC 算法时，据说调整 RANSAC 的阈值参数可以改善结果。但我不想硬编码任何参数。

我知道 RANSAC 正在删除比赛中的异常值。谁能告诉我在应用单应性之前用基本方法去除异常值（不是全部）是否可以改善单应性的结果？

如果是这样，我们如何在 RANSAC 之前应用一个操作来去除异常值？

【问题讨论】：

RANSAC 方法通过丢弃异常值来估计您想要的单应性。该方法基于这样的假设运行，即您的大多数样本都与潜在的单应性一致。如果模型不是 100% 准确，则消除了数据中的噪声，并且该参数可以为您提供灵活性。因此，如果模型不准确（例如，因为您有严重的失真），预过滤将无济于事，只有调整阈值才会有帮助。
我必须提醒你，如果你使用findHomography()，你已经假设世界坐标中的所有3D点都在一个平面上。

标签： opencv image-processing computer-vision feature-detection ransac

【解决方案1】：

您对好的结果的定义是什么？ RANSAC 是关于点数和精度之间的权衡，因此没有统一的好定义：如果它们的精度更差，你就会有更多的内点，反之亦然。

您正在谈论的参数可能是异常值阈值，并且可能只是调整不当，因此您的近似内点太多或超精确内点太少。现在，如果您预先过滤异常值，您只会加快您的 RANSAC，但不太可能改进解决方案。最终RANSAC with Homography的速度归结为选择4个inliers的概率，当它们的比例越高，收敛越快。

在应用 RANSAC 之前对异常值进行排序的其他方法是查看更简单的约束，例如点的排序、直线仍然是直线、cross-ratio 和 Homography 变换的其他不变量。最后，您可能希望使用更高级别的特征（例如线）来计算单应性。请注意，在齐次坐标中，当点转换为 p2=H*p1 时，线将转换为 l2 = H^-t * l1。这实际上可以提高准确度（因为线是宏观特征并且比兴趣点噪声小），而直线可以通过霍夫变换检测。

【讨论】：

我忘了提一件事——RANSAC 作为一种迭代方法必须多次找到单应性，因此运行一种廉价的算法（例如 DLT）。要找到真正的单应性，您必须将 RANSAC 的输出视为非线性算法（例如 LM）的初始化点。廉价算法和非线性算法之间的区别在于优化指标。非线性优化了正确的度量（点距离的平方和），但为此付出了代价（它很慢）。便宜的算法速度很快，但会优化错误的指标（参数错误）。

【解决方案2】：

不，RANSAC 和相关算法的重点是去除异常值。

但是，可以通过避免定义有些随意的阈值的方式来改进算法。

一个很好的起点是托尔的旧MLESAC paper

【讨论】：

感谢您的更新。您能否将其添加到已接受的答案中，以供未来读者参考，这也是一个很好的答案。