Python: RANSAC随机一致性原理与实现

前言

最近要把点云平面做分割，想到可以使用RANSAC做平面拟合。以前经常在图像配准里使用RANSAC做单应性计算，这里记录一下RANSAC的原理以及使用RANSAC拟合平面直线的方法。

随机一致性原理

RANdom SAmple Consensus(RANSAC)随机一致性，用于从被观测的带噪数据中，估计数学模型的参数。

原理：假设一组带有噪声的数据是服从某个数学模型的，其中包含部分不带噪数据（或者噪声很小的数据），称为内点inliers，以及部分噪声大到超出数学模型一定范围的带噪数据，称为外点outliers。通过随机抽取部分观测数据推导模型参数，再将其它数据带入数学模型计算符合程度，重复以上过程直到获得最优结果。

简而言之，RANSAC通过随机选取数据推算数学模型，利用模型与inliers的一致性，反复迭代后选取最符合观测数据的模型参数作为估计结果。

RANSAC直线拟合

借用下图来阐述RANSAC直线拟合的思想： 1.随机选取两个点，计算直线方程 2.所有观测点代入直线方程，筛选距离小于阈值的点作为内点 3.重复以上过程，直到达到预期结果

这个预期结果可以是：达到迭代最大次数时，内点最多的直线；或者内点数超过观测数据的70%时等等。

python代码

随机抽取直线y=2x+3上的点，并附加一个高斯噪声： y = 2 x + 3 + 2 N ( 0 , 1 ) y=2x+3+2N~(0,1) y=2x+3+2N (0,1)

import numpy as np import matplotlib.pyplot as plt def func(x): return 2 * x + 3 # y=2x+3 def ransac(points, npoints, dist_threshold, iterations=5000): max_num_inliners = 0 k_ransac = np.nan
    b_ransac = np.nan for i in range(iterations): num_inliners = 0 idxs = np.random.choice(points.shape[0], npoints, replace=False) k = (points[idxs[0], 1] - points[idxs[1], 1]) / (points[idxs[0], 0] - points[idxs[1], 0]) b = points[idxs[1], 1] - k * points[idxs[1], 0] for point in points: dist = np.abs(k*point[0]-point[1]+b) / np.sqrt(k**2+1) if dist < dist_threshold: num_inliners += 1 if num_inliners > max_num_inliners: max_num_inliners = num_inliners
            k_ransac = k
            b_ransac = b return k_ransac, b_ransac, max_num_inliners if __name__ == '__main__': x_sampled = np.linspace(-10, 10, 200) n_sampled = np.random.randn(200) * 2 y_sampled = func(x_sampled) + n_sampled
    data_sampled = np.stack([x_sampled, y_sampled], axis=-1) k_, b_, nums = ransac(data_sampled, 2, 1) print(k_, b_, nums) plt.scatter(x_sampled, y_sampled, linewidths=0.2) plt.plot([-10, 10], [-10*k_ + b_, 10*k_ + b_], 'r-') plt.show()