OpenCV RANSAC 每次都返回相同的转换

Question

我对如何使用 OpenCV findHomography 方法计算最佳变换感到困惑。

我的使用方式如下:

cv::Mat h = cv::findHomography(src, dst, CV_RANSAC, 5.f);

无论我运行多少次，我都会得到相同的变换矩阵。我以为 RANSAC 应该随机选择一个点的子集来进行拟合，那么为什么它每次都返回相同的变换矩阵呢？它与一些随机数初始化有关吗？我怎样才能使这种行为实际上是随机的？

其次，如何调整此设置中的 RANSAC 迭代次数？通常迭代次数基于内点比率和诸如此类的东西。

Answer 1

I thought RANSAC is supposed to randomly select a subset of points to do the fitting, so why does it return the same transformation matrix every time?

RANSAC 反复选择点的一个子集，然后根据它们拟合模型，然后检查数据集中有多少数据点是给定拟合模型的内点。完成多次后，它会选择具有最多内点的拟合模型，并将模型重新拟合到这些内点。

对于任何给定的数据集、可变模型参数集和构成异常值的规则，将存在一个或多个(但通常恰好是一个)最大可能的“异常值”集。例如，给定此数据集(图像 from Wikipedia):

...然后通过某种合理的离群值定义，任何线性模型可以拥有的最大可能的离群值集是下面的蓝色:

我们将上面的蓝色点集称为最大可能的内点集 - I。

如果您随机选择少量点(例如两个或三个)并通过它们画出一条最适合的线，那么直观上显而易见的是，您只需尝试几次，直到您遇到以下迭代:

• 你选择的所有随机点都来自我，所以
• 通过这些点的最佳拟合线大致等于上图中的最佳拟合线，因此
• 在该迭代中找到的一组内点正好是 I

从那次迭代开始，所有进一步的迭代都是浪费，不可能进一步改进模型(尽管 RANSAC 无法知道这一点，因为它无法神奇地知道何时找到最大的内点集)。

如果相对于数据集的大小，迭代次数足够多，并且数据集中有足够大的比例是内点，那么您最终会以接近 100% 的几率找到最大的内点集每次运行 RANSAC 时。因此，RANSAC 将(几乎)总是输出完全相同的模型。

这是一件好事!通常，您希望 RANSAC 找到绝对最大的一组内点并且不想满足于任何更少的东西。如果您在这种情况下每次运行 RANSAC 时都得到不同的结果，则表明您想要增加迭代次数。

(当然，在上面的例子中，我们讨论的是尝试通过二维平面中的点拟合一条线，这不是 findHomography 所做的，但原理是相同的；通常仍然会有一组最大的内点，最终 RANSAC 会找到它。)

How can I make this behaviour actually random?

减少迭代次数 (maxIters)，以便 RANSAC 有时无法找到最大的内点集。

但除了纯粹的求知欲外，通常没有理由这样做；您基本上会故意告诉 RANSAC 输出劣质模型。