RANSAC 与鲁棒几何估计
概念解释
RANSAC 反复从候选对应中抽取最小样本，拟合模型并统计满足误差阈值的内点，适用于数据混有错误匹配的情况。它把“所有点都正确”的假设改成“有足够多的点支持同一个模型”。
核心方法与条件
在独立抽样等理想假设下，若内点比例为 w、最小样本数为 s，要以概率 p 至少抽到一次全内点样本，可取 N≥ln(1−p)/ln(1−wˢ)。找到支持集后用内点重新估计，并检查残差分布与空间覆盖。
例题或应用
估计单应矩阵需抽四对对应。若 w=0.5、p=0.99，则 N 至少约为 72 次。内点比例下降会急剧增加采样次数，因此先用描述子筛选可减少几何估计成本。
常见易错点
共线点等退化样本即使全是内点也可能无法可靠估计模型。阈值过大可能把错误匹配纳入支持集；内点集中在小区域时，图像其他位置的外推仍可能很差。
自检
请尝试不用原文解释“RANSAC 与鲁棒几何估计”解决什么问题，再设计一个属于“传统视觉”的实例，并说明适用条件和判断依据。