计算机视觉基本原理—

公众号【视觉IMAX】第31篇原创文章

一前言

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：

1）直接线性变换法

a)8点法

b)最小二乘法

2）基于RANSAC的鲁棒方法。

先简单介绍一下直接线性变换法：

注：
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：

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

2.3 关于OpenCV中使用到RANSAC的相关函数

1. solvePnPRansac

2. findFundamentalMat

荐读