【图像特征提取19】RANSAC算法原理与源码解析

来源：互联网发布：js数据类型判断编辑：程序博客网时间：2024/04/29 11:53

本文转载自：http://blog.csdn.NET/luoshixian099/article/details/50217655

随机抽样一致性（RANSAC）算法，可以在一组包含“外点”的数据集中，采用不断迭代的方法，寻找最优参数模型，不符合最优模型的点，被定义为“外点”。在图像配准以及拼接上得到广泛的应用，本文将对RANSAC算法在OpenCV中角点误匹配对的检测中进行解析。

1.RANSAC原理

OpenCV中滤除误匹配对采用RANSAC算法寻找一个最佳单应性矩阵H，矩阵大小为3×3。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常令h33=1来归一化矩阵。由于单应性矩阵有8个未知参数，至少需要8个线性方程求解，对应到点位置信息上，一组点对可以列出两个方程，则至少包含4组匹配点对。

其中(x,y)表示目标图像角点位置,(x',y')为场景图像角点位置，s为尺度参数。

RANSAC算法从匹配数据集中随机抽出4个样本并保证这4个样本之间不共线，计算出单应性矩阵，然后利用这个模型测试所有数据，并计算满足这个模型数据点的个数与投影误差(即代价函数)，若此模型为最优模型，则对应的代价函数最小。

-----------------------------------------------------------------------------------------------------------------

RANSAC算法步骤：

1. 随机从数据集中随机抽出4个样本数据 (此4个样本之间不能共线)，计算出变换矩阵H，记为模型M；

2. 计算数据集中所有数据与模型M的投影误差，若误差小于阈值，加入内点集 I ；

3. 如果当前内点集 I 元素个数大于最优内点集 I_best , 则更新 I_best = I，同时更新迭代次数k ;

4. 如果迭代次数大于k,则退出 ; 否则迭代次数加1，并重复上述步骤；

注：迭代次数k在不大于最大迭代次数的情况下，是在不断更新而不是固定的；

其中，p为置信度，一般取0.995；w为"内点"的比例 ; m为计算模型所需要的最少样本数=4；

-----------------------------------------------------------------------------------------------------------------

2.例程

OpenCV中此功能通过调用findHomography函数调用，下面是个例程：

[cpp] view plain copy
 print?
#include <iostream>  
#include "opencv2/opencv.hpp"  
#include "opencv2/core/core.hpp"  
#include "opencv2/features2d/features2d.hpp"  
#include "opencv2/highgui/highgui.hpp"  
using namespace cv;  
using namespace std;  
int main(int argc, char** argv)  
{  
    Mat obj=imread("F:\\Picture\\obj.jpg");   //载入目标图像  
    Mat scene=imread("F:\\Picture\\scene.jpg"); //载入场景图像  
    if (obj.empty() || scene.empty() )  
    {  
        cout<<"Can't open the picture!\n";  
        return 0;  
    }  
    vector<KeyPoint> obj_keypoints,scene_keypoints;  
    Mat obj_descriptors,scene_descriptors;  
    ORB detector;     //采用ORB算法提取特征点  
    detector.detect(obj,obj_keypoints);  
    detector.detect(scene,scene_keypoints);  
    detector.compute(obj,obj_keypoints,obj_descriptors);  
    detector.compute(scene,scene_keypoints,scene_descriptors);  
    BFMatcher matcher(NORM_HAMMING,true); //汉明距离做为相似度度量  
    vector<DMatch> matches;  
    matcher.match(obj_descriptors, scene_descriptors, matches);  
    Mat match_img;  
    drawMatches(obj,obj_keypoints,scene,scene_keypoints,matches,match_img);  
    imshow("滤除误匹配前",match_img);  
  
    //保存匹配对序号  
    vector<int> queryIdxs( matches.size() ), trainIdxs( matches.size() );  
    for( size_t i = 0; i < matches.size(); i++ )  
    {  
        queryIdxs[i] = matches[i].queryIdx;  
        trainIdxs[i] = matches[i].trainIdx;  
    }     
  
    Mat H12;   //变换矩阵  
  
    vector<Point2f> points1; KeyPoint::convert(obj_keypoints, points1, queryIdxs);  
    vector<Point2f> points2; KeyPoint::convert(scene_keypoints, points2, trainIdxs);  
    int ransacReprojThreshold = 5;  //拒绝阈值  
  
  
    H12 = findHomography( Mat(points1), Mat(points2), CV_RANSAC, ransacReprojThreshold );  
    vector<char> matchesMask( matches.size(), 0 );    
    Mat points1t;  
    perspectiveTransform(Mat(points1), points1t, H12);  
    for( size_t i1 = 0; i1 < points1.size(); i1++ )  //保存‘内点’  
    {  
        if( norm(points2[i1] - points1t.at<Point2f>((int)i1,0)) <= ransacReprojThreshold ) //给内点做标记  
        {  
            matchesMask[i1] = 1;  
        }     
    }  
    Mat match_img2;   //滤除‘外点’后  
    drawMatches(obj,obj_keypoints,scene,scene_keypoints,matches,match_img2,Scalar(0,0,255),Scalar::all(-1),matchesMask);  
  
    //画出目标位置  
    std::vector<Point2f> obj_corners(4);  
    obj_corners[0] = cvPoint(0,0); obj_corners[1] = cvPoint( obj.cols, 0 );  
    obj_corners[2] = cvPoint( obj.cols, obj.rows ); obj_corners[3] = cvPoint( 0, obj.rows );  
    std::vector<Point2f> scene_corners(4);  
    perspectiveTransform( obj_corners, scene_corners, H12);  
    line( match_img2, scene_corners[0] + Point2f(static_cast<float>(obj.cols), 0),   
        scene_corners[1] + Point2f(static_cast<float>(obj.cols), 0),Scalar(0,0,255),2);  
    line( match_img2, scene_corners[1] + Point2f(static_cast<float>(obj.cols), 0),   
        scene_corners[2] + Point2f(static_cast<float>(obj.cols), 0),Scalar(0,0,255),2);  
    line( match_img2, scene_corners[2] + Point2f(static_cast<float>(obj.cols), 0),   
        scene_corners[3] + Point2f(static_cast<float>(obj.cols), 0),Scalar(0,0,255),2);  
    line( match_img2, scene_corners[3] + Point2f(static_cast<float>(obj.cols), 0),  
        scene_corners[0] + Point2f(static_cast<float>(obj.cols), 0),Scalar(0,0,255),2);  
  
    imshow("滤除误匹配后",match_img2);  
    waitKey(0);  
      
    return 0;  
}  

3. RANSAC源码解析

(1)findHomography内部调用cvFindHomography函数

srcPoints:目标图像点集

dstPoints:场景图像点集

method: 最小中值法、RANSAC方法、最小二乘法

ransacReprojTheshold:投影误差阈值

mask:掩码

[cpp] view plain copy
 print?
cvFindHomography( const CvMat* objectPoints, const CvMat* imagePoints,  
                  CvMat* __H, int method, double ransacReprojThreshold,  
                  CvMat* mask )  
{  
    const double confidence = 0.995;  //置信度  
    const int maxIters = 2000;    //迭代最大次数  
    const double defaultRANSACReprojThreshold = 3; //默认拒绝阈值  
    bool result = false;  
    Ptr<CvMat> m, M, tempMask;  
  
    double H[9];  
    CvMat matH = cvMat( 3, 3, CV_64FC1, H );  //变换矩阵  
    int count;  
  
    CV_Assert( CV_IS_MAT(imagePoints) && CV_IS_MAT(objectPoints) );  
  
    count = MAX(imagePoints->cols, imagePoints->rows);  
    CV_Assert( count >= 4 );           //至少有4个样本  
    if( ransacReprojThreshold <= 0 )  
        ransacReprojThreshold = defaultRANSACReprojThreshold;  
  
    m = cvCreateMat( 1, count, CV_64FC2 );  //转换为齐次坐标  
    cvConvertPointsHomogeneous( imagePoints, m );  
  
    M = cvCreateMat( 1, count, CV_64FC2 );//转换为齐次坐标  
    cvConvertPointsHomogeneous( objectPoints, M );  
  
    if( mask )  
    {  
        CV_Assert( CV_IS_MASK_ARR(mask) && CV_IS_MAT_CONT(mask->type) &&  
            (mask->rows == 1 || mask->cols == 1) &&  
            mask->rows*mask->cols == count );  
    }  
    if( mask || count > 4 )  
        tempMask = cvCreateMat( 1, count, CV_8U );  
    if( !tempMask.empty() )  
        cvSet( tempMask, cvScalarAll(1.) );  
  
    CvHomographyEstimator estimator(4);  
    if( count == 4 )  
        method = 0;  
    if( method == CV_LMEDS )  //最小中值法  
        result = estimator.runLMeDS( M, m, &matH, tempMask, confidence, maxIters );  
    else if( method == CV_RANSAC )    //采用RANSAC算法  
        result = estimator.runRANSAC( M, m, &matH, tempMask, ransacReprojThreshold, confidence, maxIters);//(2)解析  
    else  
        result = estimator.runKernel( M, m, &matH ) > 0; //最小二乘法  
  
    if( result && count > 4 )  
    {  
        icvCompressPoints( (CvPoint2D64f*)M->data.ptr, tempMask->data.ptr, 1, count );  //保存内点集  
        count = icvCompressPoints( (CvPoint2D64f*)m->data.ptr, tempMask->data.ptr, 1, count );  
        M->cols = m->cols = count;  
        if( method == CV_RANSAC )  //  
            estimator.runKernel( M, m, &matH );  //内点集上采用最小二乘法重新估算变换矩阵  
        estimator.refine( M, m, &matH, 10 );//   
    }  
  
    if( result )  
        cvConvert( &matH, __H );  //保存变换矩阵  
  
    if( mask && tempMask )  
    {  
        if( CV_ARE_SIZES_EQ(mask, tempMask) )  
           cvCopy( tempMask, mask );  
        else  
           cvTranspose( tempMask, mask );  
    }  
  
    return (int)result;  
}  

(2) runRANSAC
maxIters:最大迭代次数

m1,m2 :数据样本

model:变换矩阵

reprojThreshold:投影误差阈值

confidence:置信度 0.995

[cpp] view plain copy
 print?
bool CvModelEstimator2::runRANSAC( const CvMat* m1, const CvMat* m2, CvMat* model,  
                                    CvMat* mask0, double reprojThreshold,  
                                    double confidence, int maxIters )  
{  
    bool result = false;  
    cv::Ptr<CvMat> mask = cvCloneMat(mask0);  
    cv::Ptr<CvMat> models, err, tmask;  
    cv::Ptr<CvMat> ms1, ms2;  
  
    int iter, niters = maxIters;  
    int count = m1->rows*m1->cols, maxGoodCount = 0;  
    CV_Assert( CV_ARE_SIZES_EQ(m1, m2) && CV_ARE_SIZES_EQ(m1, mask) );  
  
    if( count < modelPoints )  
        return false;  
  
    models = cvCreateMat( modelSize.height*maxBasicSolutions, modelSize.width, CV_64FC1 );  
    err = cvCreateMat( 1, count, CV_32FC1 );//保存每组点对应的投影误差  
    tmask = cvCreateMat( 1, count, CV_8UC1 );  
  
    if( count > modelPoints )  //多于4个点  
    {  
        ms1 = cvCreateMat( 1, modelPoints, m1->type );  
        ms2 = cvCreateMat( 1, modelPoints, m2->type );  
    }  
    else  //等于4个点  
    {  
        niters = 1; //迭代一次  
        ms1 = cvCloneMat(m1);  //保存每次随机找到的样本点  
        ms2 = cvCloneMat(m2);  
    }  
  
    for( iter = 0; iter < niters; iter++ )  //不断迭代  
    {  
        int i, goodCount, nmodels;  
        if( count > modelPoints )  
        {  
           //在(3)解析getSubset  
            bool found = getSubset( m1, m2, ms1, ms2, 300 ); //随机选择4组点，且三点之间不共线，(3)解析  
            if( !found )  
            {  
                if( iter == 0 )  
                    return false;  
                break;  
            }  
        }  
  
        nmodels = runKernel( ms1, ms2, models );  //估算近似变换矩阵，返回1  
        if( nmodels <= 0 )  
            continue;  
        for( i = 0; i < nmodels; i++ )//执行一次   
        {  
            CvMat model_i;  
            cvGetRows( models, &model_i, i*modelSize.height, (i+1)*modelSize.height );//获取3×3矩阵元素  
            goodCount = findInliers( m1, m2, &model_i, err, tmask, reprojThreshold );  //找出内点，(4)解析  
  
            if( goodCount > MAX(maxGoodCount, modelPoints-1) )  //当前内点集元素个数大于最优内点集元素个数  
            {  
                std::swap(tmask, mask);  
                cvCopy( &model_i, model );  //更新最优模型  
                maxGoodCount = goodCount;  
                //confidence 为置信度默认0.995,modelPoints为最少所需样本数=4,niters迭代次数  
                niters = cvRANSACUpdateNumIters( confidence,  //更新迭代次数，(5)解析  
                    (double)(count - goodCount)/count, modelPoints, niters );  
            }  
        }  
    }  
  
    if( maxGoodCount > 0 )  
    {  
        if( mask != mask0 )  
            cvCopy( mask, mask0 );  
        result = true;  
    }  
  
    return result;  
}  

(3)getSubset

ms1,ms2:保存随机找到的4个样本

maxAttempts:最大迭代次数，300

[cpp] view plain copy
 print?
bool CvModelEstimator2::getSubset( const CvMat* m1, const CvMat* m2,  
                                   CvMat* ms1, CvMat* ms2, int maxAttempts )  
{  
    cv::AutoBuffer<int> _idx(modelPoints); //modelPoints 所需要最少的样本点个数  
    int* idx = _idx;  
    int i = 0, j, k, idx_i, iters = 0;  
    int type = CV_MAT_TYPE(m1->type), elemSize = CV_ELEM_SIZE(type);  
    const int *m1ptr = m1->data.i, *m2ptr = m2->data.i;  
    int *ms1ptr = ms1->data.i, *ms2ptr = ms2->data.i;  
    int count = m1->cols*m1->rows;  
  
    assert( CV_IS_MAT_CONT(m1->type & m2->type) && (elemSize % sizeof(int) == 0) );  
    elemSize /= sizeof(int); //每个数据占用字节数  
  
    for(; iters < maxAttempts; iters++)  
    {  
        for( i = 0; i < modelPoints && iters < maxAttempts; )  
        {  
            idx[i] = idx_i = cvRandInt(&rng) % count;  // 随机选取1组点  
            for( j = 0; j < i; j++ )  // 检测是否重复选择  
                if( idx_i == idx[j] )  
                    break;  
            if( j < i )  
                continue;  //重新选择  
            for( k = 0; k < elemSize; k++ )  //拷贝点数据  
            {  
                ms1ptr[i*elemSize + k] = m1ptr[idx_i*elemSize + k];  
                ms2ptr[i*elemSize + k] = m2ptr[idx_i*elemSize + k];  
            }  
            if( checkPartialSubsets && (!checkSubset( ms1, i+1 ) || !checkSubset( ms2, i+1 )))//检测点之间是否共线  
            {  
                iters++;  //若共线，重新选择一组  
                continue;  
            }  
            i++;  
        }  
        if( !checkPartialSubsets && i == modelPoints &&  
            (!checkSubset( ms1, i ) || !checkSubset( ms2, i )))  
            continue;  
        break;  
    }  
  
    return i == modelPoints && iters < maxAttempts;  //返回找到的样本点个数  
}  

(4) findInliers & computerReprojError

[cpp] view plain copy
 print?
int CvModelEstimator2::findInliers( const CvMat* m1, const CvMat* m2,  
                                    const CvMat* model, CvMat* _err,  
                                    CvMat* _mask, double threshold )  
{  
    int i, count = _err->rows*_err->cols, goodCount = 0;  
    const float* err = _err->data.fl;  
    uchar* mask = _mask->data.ptr;  
  
    computeReprojError( m1, m2, model, _err );  //计算每组点的投影误差  
    threshold *= threshold;  
    for( i = 0; i < count; i++ )  
        goodCount += mask[i] = err[i] <= threshold;//误差在限定范围内，加入‘内点集’  
    return goodCount;  
}  
//--------------------------------------  
void CvHomographyEstimator::computeReprojError( const CvMat* m1, const CvMat* m2,const CvMat* model, CvMat* _err )  
{  
    int i, count = m1->rows*m1->cols;  
    const CvPoint2D64f* M = (const CvPoint2D64f*)m1->data.ptr;  
    const CvPoint2D64f* m = (const CvPoint2D64f*)m2->data.ptr;  
    const double* H = model->data.db;  
    float* err = _err->data.fl;  
  
    for( i = 0; i < count; i++ )        //保存每组点的投影误差，对应上述变换公式  
    {  
        double ww = 1./(H[6]*M[i].x + H[7]*M[i].y + 1.);      
        double dx = (H[0]*M[i].x + H[1]*M[i].y + H[2])*ww - m[i].x;  
        double dy = (H[3]*M[i].x + H[4]*M[i].y + H[5])*ww - m[i].y;  
        err[i] = (float)(dx*dx + dy*dy);  
    }  
}  

(5)cvRANSACUpdateNumIters

对应上述k的计算公式

p：置信度

ep:外点比例

[cpp] view plain copy
 print?
cvRANSACUpdateNumIters( double p, double ep,  
                        int model_points, int max_iters )  
{  
    if( model_points <= 0 )  
        CV_Error( CV_StsOutOfRange, "the number of model points should be positive" );  
  
    p = MAX(p, 0.);  
    p = MIN(p, 1.);  
    ep = MAX(ep, 0.);  
    ep = MIN(ep, 1.);  
  
    // avoid inf's & nan's  
    double num = MAX(1. - p, DBL_MIN);  //num=1-p,做分子  
    double denom = 1. - pow(1. - ep,model_points);//做分母  
    if( denom < DBL_MIN )  
        return 0;  
  
    num = log(num);  
    denom = log(denom);  
  
    return denom >= 0 || -num >= max_iters*(-denom) ?  
        max_iters : cvRound(num/denom);  
}  

0 0