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：