今天學習了一下RANSAC隨機樣本一致性算法，其在圖像融合、特征點匹配方面有很強大的應用。網上已經有很多人寫了關于這方面的文檔，就不再造輪子了。特此羅列出來，以供后續參考。

• 我的數學之美（一）——RANSAC算法詳解
  這篇文章很基本地講述了RANSAC算法的基本概念。

• RANSAC算法原理與源碼解析
  本篇文章講述了在opencv特征點匹配過程中ransac算法濾除誤匹配的詳細思路。其中講到：

  OpenCV中濾除誤匹配對采用RANSAC算法尋找一個最佳單應性矩陣H，矩陣大小為3×3。RANSAC目的是找到最優的參數矩陣使得滿足該矩陣的數據點個數最多，通常令h33=1來歸一化矩陣。由于單應性矩陣有8個未知參數，至少需要8個線性方程求解，對應到點位置信息上，一組點對可以列出兩個方程，則至少包含4組匹配點對。
  

  
  
  

  RANSAC算法從匹配數據集中隨機抽出4個樣本并保證這4個樣本之間不共線，計算出單應性矩陣，然后利用這個模型測試所有數據，并計算滿足這個模型數據點的個數與投影誤差(即代價函數)，若此模型為最優模型，則對應的代價函數最小。
  

  
  
  
  注意兩點：
  1. 目標圖像也就是測試圖像或者稱為query set（查詢集），場景圖像稱為train set （訓練集） ，對應模板圖像。一般我們都是在訓練圖像中，查詢測試圖像的特征點的匹配情況。
  2. 關于上面投影矩陣參數的求解問題。
     一組點對（兩個點）代入上面方程，則可以分解出三個方程，但實際上就是兩個方程，最后一個方程是縮放參數s，可以消掉。至于s的存在主要是齊次化的結果。

• 學習OpenCV——KeyPoint Matching 優化方式

• 學習OpenCV——通過KeyPoints進行目標定位
  介紹了sift,surf,orb描述子的一些對比，以及匹配的一些優化方法。