1. 项目概述从“乱点鸳鸯谱”到“精准配对”在计算机视觉、三维重建、图像拼接这些领域我们常常需要让计算机理解两张或多张图片之间的对应关系。比如你想把手机拍的全景照片自动拼接起来或者让机器人通过摄像头判断自己移动了多少距离。这个过程的核心就是找到图片A中的某个特征点比如一个楼房的拐角在图片B中对应的那个点。听起来很简单但现实很骨感——计算机找出来的这些“对应点对”里面混杂着大量的“乱点鸳鸯谱”也就是误匹配。想象一下你让一个不太靠谱的朋友帮你相亲他给你拉了一堆“潜在对象”名单。名单里可能有真正适合你的人但也肯定混进了一些完全不搭边、甚至信息都是胡编乱造的人。如果你直接基于这份漏洞百出的名单做决定那结果可想而知。在视觉算法里这些误匹配就像名单里的错误信息会严重干扰后续的计算比如让你算出的相机运动轨迹完全跑偏或者拼接的照片出现可怕的鬼影和错位。RANSAC算法就是那位火眼金睛的“金牌媒婆”或“数据侦探”。它不关心名单匹配对集合里有多少不靠谱的信息它的目标是从这一团乱麻中找出那个最有可能由“正确规则”生成的数据子集。这个“正确规则”在图像匹配里通常是单应性矩阵或基础矩阵它描述了图片之间正确的几何变换关系。RANSAC的核心思想非常朴素且强大与其费尽心思去鉴别每一个数据点是不是“坏人”不如反复随机抽样用少数“可能的好人”去定义一个规则然后看看有多少数据点符合这个规则符合最多的那个规则就被认为是正确的而支持它的点就是“内点”反之则是“外点”误匹配。这个算法在业内的地位堪称是误匹配剔除领域的“定海神针”。无论是OpenCV这样的开源库还是各类商业视觉软件其底层都离不开RANSAC或它的变种。它解决的不仅仅是一个技术问题更是一种应对真实世界中噪声数据的经典方法论。接下来我们就深入这个算法的内部看看它是如何完成这项“去伪存真”的艰巨任务的。2. RANSAC算法核心原理拆解RANSAC全称是 Random Sample Consensus即“随机抽样一致性”。这个名字完美概括了它的工作流程通过随机抽样来建立模型假设并寻求最大范围的一致性支持。它的魅力在于对数据中异常值的比例有惊人的容忍度。即使你的匹配对里有一大半都是错的RANSAC依然有很高的概率找到正确的几何模型。2.1 算法基本流程与数学模型RANSAC不是一个复杂的数学公式而是一套清晰的迭代框架。我们可以把它分解为以下几个关键步骤并用一个简单的直线拟合例子来类比在图像匹配中模型通常是单应性矩阵8自由度或基础矩阵7自由度但原理相通。步骤一随机抽样这是“随机”的体现。假设我们要从一组包含内点和外点的数据中拟合一个模型。这个模型有n个自由度那么至少需要n个数据点才能确定一个模型实例。例如拟合一条直线y ax b需要n2个点。拟合一个单应性矩阵3x38自由度需要n4对匹配点因为每对点提供两个方程。算法从整个数据集中完全随机地选取n个点作为“假设内点集”。这里有一个关键前提这n个点必须都是内点我们才能得到一个正确的模型。如果抽到了外点这次抽样建立的模型就是错误的。步骤二模型构建用上一步抽到的n个点计算出一个具体的模型参数M。在直线拟合中就是解方程算出a和b在图像匹配中就是用这4对点计算出一个单应性矩阵H。步骤三一致性集合计算这是“一致性”的体现。用上一步得到的模型M去测试所有的数据点。设定一个距离阈值t。对于一个数据点如果它到模型M的距离小于t就认为该点与当前模型“一致”将其加入“一致集”也称为内点集。在直线拟合中距离就是点到直线的垂直距离。在图像匹配中距离通常是“重投影误差”。比如用单应性矩阵H把图A的点投影到图B计算投影点与图B中实际匹配点之间的欧氏距离。这个阈值t的选择至关重要通常根据测量误差的分布例如特征点定位误差服从高斯分布来设定。比如如果95%的测量误差在2个像素以内那么t可以设为2像素。步骤四模型评估与更新记录当前模型M所对应的内点集大小。如果这个内点集的大小超过了历史最优记录我们就认为当前模型M比之前的模型更好。于是我们更新最优模型参数M_best为当前的M。最优内点集inliers_best为当前的一致集。最优内点数量max_inliers为当前一致集的大小。步骤五迭代与终止重复步骤一到四。但关键问题是要重复多少次K次才算够RANSAC通过概率来回答这个问题。我们希望以足够高的概率p例如 99%保证在K次迭代中至少有一次随机抽样抽到的全是内点。设数据中内点的比例未知待估计为w。一次抽样抽到n个全是内点的概率是w^n。一次抽样抽到至少一个外点的概率是1 - w^n。K次抽样都抽到至少一个外点的概率是(1 - w^n)^K。那么K次抽样中至少有一次全为内点的概率P 1 - (1 - w^n)^K。我们希望P大于设定的置信概率p如0.99。由此可以解出迭代次数KK log(1 - P) / log(1 - w^n)这里有个“鸡生蛋”问题我们不知道内点比例wRANSAC的巧妙之处在于动态调整K。我们一开始可以假设一个较低的w如0.5计算出一个初始的K。在迭代过程中每当我们发现一个更好的模型更大的内点集我们就用当前最优内点数量占总数据的比例来更新w的估计值并重新计算所需的迭代次数K。这样随着找到更好的模型我们对数据质量越来越有信心所需的迭代次数也会动态减少。注意这个动态更新K的策略是标准RANSAC实现的一部分它能显著提升算法效率。但为了防止在初期偶然得到一个较大的错误内点集导致提前终止有些实现会加入一个“最小迭代次数”的限制。最终算法在达到预设的迭代次数K后停止并输出整个过程中找到的最优模型 M_best和对应的最优内点集 inliers_best。那些不在内点集中的匹配对就被判定为误匹配并予以剔除。2.2 与最小二乘法的根本区别为了深刻理解RANSAC的价值必须把它和另一个经典的拟合方法——最小二乘法进行对比。最小二乘法的目标是最小化所有数据点的误差平方和。这听起来很合理但它有一个致命的软肋它对异常值极度敏感。继续用直线拟合的例子。假如你有9个点大致在一条直线上内点但有1个点离得非常远外点。最小二乘法为了最小化总误差平方和会不惜让拟合出的直线严重偏离那9个内点所在的真实方向去“迁就”那个遥远的异常点导致拟合结果完全错误。这是因为误差平方项放大了大误差的影响。而RANSAC则采取了完全不同的哲学它不试图去拟合所有点而是去寻找一个能被尽可能多的点所支持的模型。那个遥远的异常点在RANSAC的投票机制下永远无法成为主流因此会被无情地忽略。RANSAC关注的是“一致性”的规模而不是总误差的大小。这使得它在数据污染严重高异常值比例的情况下依然能保持鲁棒性。特性最小二乘法RANSAC算法核心目标最小化所有数据的整体误差如平方和寻找能被最多数据点支持的模型对异常值极度敏感一个强异常值可导致结果完全偏离非常鲁棒能容忍高比例的异常值适用场景数据噪声小且服从高斯分布数据中存在大量、甚至占多数的异常值计算方式解析解或迭代优化通常一次性计算基于概率的随机抽样迭代结果一个试图描述所有点的模型一个模型 一组支持该模型的内点简单来说最小二乘法是一个“老好人”希望谁都不得罪结果却被少数坏分子带偏。RANSAC是一个“强硬派”只听取多数人的共识少数派的意见直接被排除在外。在误匹配剔除这个特定任务上RANSAC的这种“强硬”正是我们所需要的。3. 在误匹配剔除中的具体应用与实现细节理解了RANSAC的基本骨架我们把它套用到图像误匹配剔除这个具体任务上。这里我们的“数据点”是一对对的图像特征匹配点我们要寻找的“模型”是描述两幅图像之间几何关系的变换矩阵。3.1 模型选择单应性 vs 基础/本质矩阵根据图像内容的不同我们需要选择合适的几何模型这是应用RANSAC的第一步也直接决定了后续的误差度量方式。1. 单应性矩阵适用场景两幅图像拍摄的是同一个平面如墙面、地面、海报或者相机是纯旋转拍摄没有平移。这是图像拼接、文档扫描、AR中平面跟踪的常见情况。模型描述一个3x3的矩阵H它将一幅图像中的齐次坐标点p1 [x1, y1, 1]^T映射到另一幅图像的齐次坐标p2p2 H * p1。它有8个自由度。RANSAC最小样本集需要至少4对匹配点来计算H因为每对点提供两个方程4对点提供8个方程解8个未知数。2. 基础矩阵与本质矩阵适用场景两幅图像拍摄的是非平面的三维场景且相机之间存在平移运动。这是视觉里程计、SLAM、运动恢复结构的核心模型。本质矩阵E描述同一场景在两个相机视角下的几何关系E [t]_x * R其中R是旋转矩阵t是平移向量。它有5个自由度旋转3个平移方向2个但通常用8点法、7点法或5点法求解。基础矩阵F在相机内参未知的情况下对应的是基础矩阵F K2^{-T} * E * K1^{-1}其中K是相机内参矩阵。它也有7个自由度。RANSAC最小样本集8点法需要至少8对匹配点计算F。5点法需要至少5对匹配点计算E更高效常用于已知内参的SLAM。实操心得对于初学者如果你的场景明显是一个平面比如对着书本拍照直接使用单应性矩阵H。对于一般的三维场景使用基础矩阵F。在已知相机内参比如手机摄像头标定后且追求更高效率时可以考虑5点法本质矩阵E。OpenCV的findHomography和findFundamentalMat函数都内置了RANSAC选项默认就是处理这些模型。3.2 误差度量与阈值设定在RANSAC的第三步“一致性集合计算”中我们需要判断一个匹配点对是否支持当前假设的模型。这就需要定义一个“距离”或“误差”。1. 对称转移误差这是最直观、最常用的误差度量方式尤其适用于单应性矩阵H。 对于一对匹配点(p1, p2)和假设的单应性矩阵H将p1用H变换到第二幅图像p1 H * p1。将p2用H的逆变换到第一幅图像p2 H^{-1} * p2。计算误差d distance(p1, p2)^2 distance(p2, p1)^2这个误差衡量了双向投影的不一致性。2. 萨姆森距离这是用于基础矩阵F的更几何化的误差度量。对于一对匹配点(p1, p2)和基础矩阵F计算p2到F为p1定义的极线的距离。极线方程为l F * p1。点p2到直线l的距离公式为|p2^T * F * p1| / sqrt(l[0]^2 l[1]^2)。萨姆森距离是上述距离的一个近似计算更快d (p2^T * F * p1)^2 * ( 1/(l[0]^2 l[1]^2) 1/(l[0]^2 l[1]^2) )其中l F^T * p2是另一条极线。3. 重投影误差这是最物理意义的误差在已知相机内参并使用本质矩阵E分解出R, t后可以进行三角化得到三维点P然后将P分别重投影到两个相机上与原始的p1, p2计算像素距离。这个误差最准确但计算量也最大通常用于RANSAC之后的精细化优化如Bundle Adjustment而不是RANSAC迭代本身。阈值t的设定阈值t是判定“内点”的门槛。设得太松会把很多外点放进来设得太紧又会把一些带有噪声的内点排除出去。经验值对于像素坐标t通常在1.0 到 3.0 像素之间。这是一个很好的起点。基于卡方检验更科学的方法是假设特征点定位误差服从标准差为sigma像素的高斯分布。那么对称转移误差的平方和服从卡方分布。例如对于自由度为2的误差如对称转移误差设定95%的置信度对应的卡方值为5.99。那么阈值可以设为t sqrt(5.99) * sigma。如果sigma1像素则t ≈ 2.45像素。自适应方法有些改进的RANSAC如MSAC、MLESAC不再使用硬阈值而是给每个点一个连续的概率权重但标准RANSAC通常使用固定阈值。注意事项阈值t的选择与图像分辨率、特征点检测的精度密切相关。如果你的图像是高清的特征点定位准t可以小一些如1.5。如果是低分辨率或纹理模糊的图像t需要适当放宽如3.0。在实践中可以尝试几个值观察内点数量的变化选择一个使内点集在正确模型下稳定且足够大的值。3.3 一个完整的OpenCV实现示例理论说再多不如一行代码。下面我们以OpenCV库为例展示如何使用其内置的RANSAC功能来完成误匹配剔除。这里我们假设已经通过SIFT、ORB等特征检测器得到了两幅图像的匹配对matches。#include opencv2/opencv.hpp #include vector int main() { // ... 假设已经完成特征检测与初始匹配得到以下变量 // std::vectorcv::KeyPoint keypoints1, keypoints2; // std::vectorcv::DMatch matches; // 可能包含大量误匹配 // 步骤1将匹配对转换为点集 std::vectorcv::Point2f pts1, pts2; for (const auto m : matches) { pts1.push_back(keypoints1[m.queryIdx].pt); pts2.push_back(keypoints2[m.trainIdx].pt); } // 步骤2使用RANSAC计算单应性矩阵并剔除外点 // 参数说明 // pts1, pts2: 输入的点对 // cv::RANSAC: 使用方法 // 2.5: 重投影误差阈值单位像素。距离大于此阈值的点被视为外点。 // 0.99: 置信度算法至少有一次抽样全为内点的概率。 // mask: 输出掩码与输入点对同长度。内点标记为1外点标记为0。 cv::Mat mask; // 内点掩码 cv::Mat H cv::findHomography(pts1, pts2, cv::RANSAC, 2.5, mask, 2000, 0.99); // 步骤3根据掩码筛选出内点匹配 std::vectorcv::DMatch good_matches; for (int i 0; i mask.rows; i) { if (mask.atuchar(i)) { // 如果是内点 good_matches.push_back(matches[i]); } } std::cout 初始匹配数: matches.size() std::endl; std::cout 经RANSAC筛选后的内点匹配数: good_matches.size() std::endl; std::cout 计算得到的单应性矩阵 H:\n H std::endl; // 步骤4可选可视化结果 cv::Mat img_matches, img_good_matches; // 绘制所有匹配包含误匹配 cv::drawMatches(img1, keypoints1, img2, keypoints2, matches, img_matches); // 绘制RANSAC筛选后的正确匹配 cv::drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_good_matches); // ... 显示图像 return 0; }这段代码清晰地展示了流程数据准备将匹配对的关键点坐标提取出来。调用RANSAC核心是cv::findHomography函数。指定cv::RANSAC方法、阈值2.5像素和置信度0.99。函数内部自动完成了我们之前讨论的所有迭代步骤。结果提取函数返回计算出的最优单应性矩阵H和一个掩码mask。我们根据mask从原始匹配中筛选出内点good_matches。后续应用good_matches是净化后的匹配对可用于图像拼接、相机位姿估计等。H矩阵可以直接用于图像变换。提示cv::findFundamentalMat(pts1, pts2, cv::FM_RANSAC, 3, 0.99, mask)用于计算基础矩阵用法类似其中第三个参数是阈值通常比单应性稍大如3.0。4. RANSAC的局限性、改进与实战避坑指南尽管RANSAC非常强大但它并非完美。理解它的局限性和掌握相应的改进方法、实战技巧是将其效能发挥到极致的关键。4.1 经典RANSAC的局限性计算成本随内点比例降低而指数级增长从迭代次数公式K log(1-P)/log(1-w^n)可以看出当内点比例w很低时w^n会变得极小导致所需的迭代次数K急剧增大。例如对于单应性矩阵n4如果内点比例只有10%w0.1要保证99%的成功率需要迭代log(0.01)/log(1-0.0001) ≈ 46000次这在实际应用中可能是不可接受的。固定阈值t的僵化固定的距离阈值无法适应图像中不同区域的不确定性。例如在图像边缘或模糊区域特征点定位误差本身就可能更大使用统一的严格阈值可能会错误地排除这些区域的正确匹配。“所有点一视同仁”的投票标准RANSAC在计算一致集大小时每个内点的贡献是相同的计为1。但在现实中有些匹配点质量更高如响应强度大、描述子距离小它们的投票权理应更重。最小样本集可能退化随机抽样的n个点可能恰好位于一个“退化配置”上比如三维空间中的点共面而实际场景是非平面导致计算出的模型虽然能拟合这n个点但却是一个错误的模型并可能意外地获得大量“伪内点”例如一个错误的单应性矩阵可能恰好将许多外点投影到附近。4.2 主流改进算法简介针对上述问题研究者提出了多种RANSAC的变种PROSAC基于排序的RANSAC核心思想不进行完全随机抽样。先根据匹配质量如描述子之间的汉明距离或欧氏距离对所有匹配对进行排序质量高的排在前面。在抽样时优先从高质量匹配中抽取最小样本集。这大大提高了在初期抽到“纯内点集”的概率从而显著减少迭代次数。适用场景当你有一个可靠的匹配质量度量时如ORB的汉明距离PROSAC效果拔群。LO-RANSAC局部优化RANSAC核心思想标准RANSAC找到当前最优模型后仅用其内点集进行一次最小二乘优化就结束了。LO-RANSAC增加了一个“局部优化”步骤每当发现一个新的当前最优模型时不仅用它的内点集进行优化还尝试用这个优化后的模型去“吸引”更多的潜在内点使用一个更宽松的阈值然后用这个更大的点集再次优化模型。这个过程可能迭代几次。它通常能得到更精确的模型和更多的内点。实操价值OpenCV的findHomography和findFundamentalMat函数的RANSAC方法实际上已经包含了类似LO的优化。而RHO或USAC参数则可能启用更完整的优化流程。MSAC 与 MLESACMSAC用连续的成本函数替代硬阈值。点的代价不再是0或1而是min(误差 阈值)。这减少了阈值附近的突变效应使模型评估更平滑。MLESAC采用最大似然估计框架。它假设内点的误差服从高斯分布外点的误差服从均匀分布然后通过期望最大化算法来估计模型参数和内点概率。理论上比标准RANSAC更优。USAC通用框架这是一个现代、集大成的RANSAC框架它模块化了采样、模型生成、模型验证等步骤可以方便地集成PROSAC、LO-RANSAC、MSAC等多种策略是当前学术界和工业界推荐的实现选择。4.3 实战中的常见问题与排查技巧即使使用了成熟的库在实际项目中应用RANSAC剔除误匹配时依然会踩到各种各样的坑。下面是一些典型问题及解决思路。问题1RANSAC后内点数量为0或极少。可能原因a阈值t设置过小。特征点定位本身有误差过小的阈值会把所有带噪声的正确匹配都判定为外点。排查逐步增大阈值如从1.0到5.0观察内点数量变化。如果数量随阈值增大而显著增加并趋于稳定说明原阈值太小。可能原因b误匹配比例极高90%且迭代次数不足。根据公式此时需要极多的迭代次数才可能抽到一次纯内点集。排查检查初始匹配的质量。可视化原始匹配如果肉眼可见几乎全是错误的那么RANSAC也无能为力。需要回溯特征检测和匹配阶段尝试更换特征描述子如从ORB换到SIFT、调整匹配阈值、使用交叉验证或比率测试进行更严格的初筛。可能原因c选择了错误的几何模型。比如在三维场景中错误地使用了单应性矩阵H。排查根据场景判断。如果是平面场景用H三维场景用F或E。可以两种模型都试一下看哪个得到的内点更多、更合理。问题2RANSAC得到的结果不稳定每次运行内点数量波动大。可能原因数据噪声大或存在多个可行的模型假设。例如图像中存在一个重复纹理区域可能同时支持多个不同的单应性变换。排查增加RANSAC的迭代次数或提高置信度p如从0.99提高到0.999让算法有更多机会找到全局最优解。考虑使用PROSAC来引导抽样增加稳定性。问题3RANSAC运行速度太慢。可能原因a初始匹配对数量太多。RANSAC在每次迭代中都需要遍历所有点来计算一致集数据量越大越慢。优化在RANSAC之前先用更快的初筛方法如描述子距离的比率测试大幅减少匹配对数量。通常保留前500-1000个最佳匹配进行RANSAC就足够了。可能原因b模型复杂度高最小样本集n大。比如使用8点法求基础矩阵n8就比4点法求单应性n4需要更多迭代。优化在满足精度要求的前提下选择更简单的模型。如果相机内参已知优先使用5点法求本质矩阵n5它比8点法更高效。可能原因c内点比例w低导致理论迭代次数K巨大。优化使用PROSAC。这是应对低内点率场景最有效的提速方法。问题4RANSAC似乎剔除了太多“看起来正确”的匹配。可能原因a全局单应性/基础矩阵无法描述局部变形。真实场景中可能存在非刚性变形、透视畸变不均匀等情况一个全局模型无法拟合所有正确匹配。排查可视化被剔除的匹配点。如果它们集中在图像的某个特定区域如边缘的建筑物发生了明显形变那么可能需要更复杂的模型或分区处理。可以考虑使用局部单应性或移动直接线性变换等方法。可能原因b阈值t设置过小或误差度量方式不合适。排查尝试使用对称转移误差代替萨姆森距离或者适当放宽阈值。对于精度要求不高的应用可以牺牲一点精度来保留更多匹配。独家避坑技巧在开发调试阶段我习惯做一个“RANSAC阈值扫描”。写一个简单的循环让阈值t从0.5像素逐步增加到10像素记录每个阈值下的内点数量并绘制成曲线。这个曲线通常先快速上升剔除明显外点然后进入一个平台期大部分正确内点已被包含最后再缓慢上升开始纳入错误外点。平台期的起点对应的阈值就是一个比较理想的稳健值。这个方法能帮你快速为当前的数据集定下一个合理的阈值。5. 超越基础RANSAC在现代视觉流水线中的角色RANSAC不仅仅是一个独立的“清洗”模块它已经深度嵌入到现代计算机视觉和机器人算法的各个关键环节中。理解它在整个系统中的作用能帮助我们在更高维度上设计和调优算法。5.1 在SLAM与视觉里程计中的核心地位在同步定位与建图以及视觉里程计中RANSAC是保证系统鲁棒性的“守门员”。前端跟踪在基于特征点的VO中对相邻帧进行特征匹配后必须使用RANSAC通常配合5点法或8点法来估计本质矩阵或基础矩阵并同时剔除误匹配。这一步输出的内点匹配和初步位姿是后端优化的可靠初始值。没有RANSAC误匹配会直接污染三角化得到的地图点导致位姿估计迅速发散。回环检测验证当系统检测到一个可能的回环当前帧与历史帧相似时仅仅依靠词袋模型或外观相似度是不够的会产生大量假阳性。此时需要用RANSAC计算当前帧与回环候选帧之间的几何变换单应性或基础矩阵。如果能用足够多的内点通常设定一个最低内点数阈值如20拟合出一个合理的模型那么这个回环才被确认为“几何一致”的真阳性。这是防止SLAM建图崩溃的关键步骤。5.2 在图像拼接与全景生成中的关键作用图像拼接是RANSAC的经典应用场景。全局配准当有多张图像需要拼接时首先会进行两两匹配并用RANSAC计算每对图像之间的单应性矩阵。这些矩阵构成了一个“图像关系图”。捆绑调整然而直接使用这些两两变换进行拼接会导致累积误差在闭合回路处出现明显的接缝。因此需要以所有匹配点的重投影误差最小化为目标进行全局的捆绑调整优化。而输入给捆绑调整的正是经过RANSAC初步筛选后的内点匹配集。如果输入了未经清洗的、包含误匹配的数据捆绑调整这个非线性优化过程很容易陷入局部极小值得到完全错误的结果。RANSAC在这里起到了数据预处理和提供可靠初始值的作用。5.3 与其他滤波方法的协同工作流在实际的视觉系统中RANSAC通常不是唯一使用的滤波手段而是处理流水线中的一环。一个典型的鲁棒特征匹配流水线如下描述子距离初筛计算所有特征描述子之间的距离如汉明距离、欧氏距离保留距离小于一个绝对阈值T_abs的匹配。这一步可以过滤掉最明显的不相关匹配。比率测试对于图像A中的每个特征点在图像B中找出距离最近和次近的两个匹配点。如果最近距离 / 次近距离 比率阈值 T_ratio如0.8则接受最近的那个匹配否则拒绝。这是由Lowe在SIFT论文中提出的能有效排除模糊匹配。交叉验证从图像A匹配到图像B再从图像B匹配回图像A只保留双向一致的匹配对。这能进一步排除不对称的错误匹配。RANSAC几何验证经过前三步我们得到了一个“相对干净”的候选匹配集但其中仍可能包含用简单距离无法排除的误匹配比如空间位置不一致。此时RANSAC登场利用几何一致性这一更强约束进行最终裁决。可选其他空间约束在某些特定应用中还可以在RANSAC后加入其他约束比如在无人机航拍图像中匹配点的相对位置变化应符合一定的运动平滑性假设。这个流水线体现了“由易到难层层过滤”的思想。先用计算代价低的方法过滤掉大量明显错误再用计算代价高但更精确的RANSAC做精细筛选从而在效率和精度之间取得最佳平衡。我个人在实际操作中的体会是不要过分迷信或滥用RANSAC。它是一把锋利的“手术刀”但前提是你递给它的“组织”大体上是正确的。如果初始匹配质量极差比如用SIFT去匹配两张完全不同的图片RANSAC要么什么都找不到要么会拟合出一个完全错误的模型并给你一堆“伪内点”造成算法运行正常的假象。因此可视化中间结果至关重要。在开发过程中务必养成可视化原始匹配、比率测试后匹配以及RANSAC后匹配的习惯用肉眼做最终校验。只有对数据有了直观感受你才能正确理解和调优整个流程中的每一个参数。RANSAC不是万能的但它与合理的预处理、正确的模型选择以及对数据的深刻理解相结合就能成为构建稳定、鲁棒视觉系统的基石。