1.RANSAC算法介绍
RANSAC是一种常用的参数估计方法，全称为Random Sample Consensus（随机抽样一致性）。它的主要思想是通过随机选择一部分数据样本，构建模型并评估其拟合程度，迭代过程中逐步优化模型，最终得到一个拟合较好的模型。
其基本流程如下：
- 随机取样，计算规律(特征点匹配中计算单应矩阵)
- 测试规律是否满足大多数数据
- 循环前两步
- 选取最佳规律，并输出满足数据的点
2.RANSAC优化特征点匹配结果的函数findHomography()
Mat cv::findHomography ( InputArray srcPoints,
InputArray dstPoints,
int method = 0,
double ransacReprojThreshold =3，
OutputArray mask = noArray(),
const intmaxlters = 2000，
const double confidence = 0.995
）
- SrcPoints:原始图像中特征点的坐标
- dstPoints:目标图像中特征点的坐标
- method:计算单应矩阵方法的标志
- ransacReprojThreshold; 重投影的最大误差
- mask:掩码矩阵，使用RANSAC算法时表示满足单应矩阵的特征点
- maxIters:RANSAC算法迭代的最大次数
- confidence:置信区间，取值范围0-1
3.示例代码
void orb_fearures(Mat &gray,vector<KeyPoint> &keypoints,Mat &descriptions){ Ptr<ORB> orb=ORB::create(1000,1.2f); orb->detect(gray,keypoints); orb->compute(gray,keypoints,descriptions); } //RANSAC算法实现 void ransac(vector<DMatch> matches,vector<KeyPoint> queryKeyPoint,vector<KeyPoint> trainKeyPoint,vector<DMatch> &matches_ransac){ //定义保存匹配点对坐标 vector<Point2f> srcPoints(matches.size()),dstPoints(matches.size()); //保存从关键点中提取到的匹配点对坐标 for(int i=0;i<matches.size();i++){ srcPoints[i]=queryKeyPoint[matches[i].queryIdx].pt; dstPoints[i]=trainKeyPoint[matches[i].trainIdx].pt; } //匹配点对进行RANSAC过滤 vector<int> inliersMask(srcPoints.size()); findHomography(srcPoints,dstPoints,RANSAC,5,inliersMask); //手动的保留RANSAC过滤的匹配点对 for(int i=0;i<inliersMask.size();i++){ if(inliersMask[i]){ matches_ransac.push_back(matches[i]); } } } void Ransac_f(Mat img1,Mat img2){ //提取特征点 vector<KeyPoint> keypoints1,keypoints2; Mat descriptions1,descriptions2; //计算特征点 orb_fearures(img1,keypoints1,descriptions1); orb_fearures(img2,keypoints2,descriptions2); //特征点匹配 vector<DMatch> matches;//定义存放匹配结果的变量 BFMatcher matcher(NORM_HAMMING);//定义特征点匹配的类，使用汉明距离 matcher.match(descriptions1,descriptions2,matches);//进行特征点匹配 ostringstream ss; ss<<"matches="<<matches.size()<<endl;//匹配成功特征点数目 //通过汉明距离删选匹配结果 double min_dist=1000,max_dist=0; for(int i=0;i<matches.size();i++){ double dist=matches[i].distance; if(dist<min_dist) min_dist=dist; if(dist>max_dist) max_dist=dist; } //输出所有匹配结果中最大韩明距离和最小汉明距离 ss<<"min_dist="<<min_dist<<endl; ss<<"max_dist="<<max_dist<<endl; //将汉明距离较大的匹配点对删除 vector<DMatch> good_matches; for(int i=0;i<matches.size();i++){ if(matches[i].distance<=max(2*min_dist,20.0)){ good_matches.push_back(matches[i]); } } ss<<"good_min="<<good_matches.size()<<endl;//剩余特征点数目 LOGD("%s",ss.str().c_str()); //用ransac算法筛选匹配结果 vector<DMatch> good_ransac; ransac(good_matches,keypoints1,keypoints2,good_ransac); //绘制匹配结果 Mat outimg2; drawMatches(img1,keypoints1,img2,keypoints2,good_ransac,outimg2); //显示结果 imwrite("/sdcard/DCIM/outimg2.png",outimg2);//ransac筛选 }
ransac筛选结果：
