RANSAC

Origem: Wikipédia, a enciclopédia livre.
Ir para: navegação, pesquisa
NoFonti.svg
Esta página ou secção cita fontes confiáveis e independentes, mas que não cobrem todo o conteúdo (desde agosto de 2015). Por favor, adicione mais referências e insira-as corretamente no texto ou no rodapé. Material sem fontes poderá ser removido.
Encontre fontes: Google (notícias, livros e acadêmico)

RANSAC é uma abreviatura de "RANdom SAmple Consensus". É um método iterativo para estimar os parâmetros de um modelo matemático[1] [2] [3] [4] [5] [6] [7] .

Dado um modelo que requer um mínimo de n pontos para instanciar seus parametros livres, e um conjunto de pontos P, tal que o numero de pontos em P é maior que n, seleciona randomicamente um subconjunto S1 de n pontos de P e instancia o modelo. Usa-se o modelo instanciado M1 para determinar o subconjunto S1* de pontos em P que estao dentro de um erro tolerável de M1. O conjunto S1* é chamado de conjunto consenso de S1.

Se o número de elementos de S1* é maior que certo limite t, que é função da estimativa do número de erros grosseiros em P, usar S1* para computar (possivelmente com Mínimos Quadrados) um novo modelo M1*.

Se o número de elementos de S1* é menor do que t, seleciona-se randomicamente um novo subconjunto S2 e repete-se o processo acima. Se, após um número predeterminado de tentativas, nenhum conjunto consenso com t ou mais membros tiver sido encontrado, ou soluciona-se o modelo com o maior conjunto consenso, ou termina-se com falha.

Ligações externas[editar | editar código-fonte]

Referências

  1. Martin A. Fischler, Robert C. Bolles (Junho 1981). "Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography" (inglês). Comm. of the ACM, Vol 24, pp 381-395. Acessado em 18/08/2015.
  2. Martin A. Fischler and Robert C. Bolles. (June 1981). "Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography". Comm. of the ACM 24 (6): 381–395. DOI:10.1145/358669.358692.
  3. David A. Forsyth and Jean Ponce. Computer Vision, a modern approach. [S.l.]: Prentice Hall, 2003. ISBN 0-13-085198-1
  4. Richard Hartley and Andrew Zisserman. Multiple View Geometry in Computer Vision. 2nd ed. [S.l.]: Cambridge University Press, 2003.
  5. P.H.S. Torr and D.W. Murray. (1997). "The Development and Comparison of Robust Methods for Estimating the Fundamental Matrix". International Journal of Computer Vision 24 (3): 271–300. DOI:10.1023/A:1007927408552.
  6. Ondrej Chum. (2005). "Two-View Geometry Estimation by Random Sample and Consensus". PhD Thesis.
  7. Sunglok Choi, Taemin Kim, and Wonpil Yu. (2009). "Performance Evaluation of RANSAC Family". In Proceedings of the British Machine Vision Conference (BMVC).