Total least squareRANSAC

Total least squareRANSAC"/>

Total least squareRANSAC

弃我去者昨日之日不可留，昨天高级人工智能大作业答辩，强手如林，实在感觉自己如井底之蛙。 应该保持专注。

今天看了Udacity计算机视觉入门， 记一个笔记，关于Total least square， 相当于是least square的一种改进，因为least square有一个缺点，就是比如在直线拟合的时候，由于计算的是 y−ax−b $y-ax-b$，相当于是竖直距离误差，这样的话，对于拟合直线的斜率太敏感了，而Total least square则采用了真正的垂直于直线的距离来度量误差，这样是符合gaussian noise的假设的。

讲Total least square是为了后面的RANSAC伏笔，关于RANSAC贴一张有关estimating homography的图就可以大概理解了：

但是有一个问题没搞懂，就是上图第三步的 ε $\varepsilon$怎么取？前边有提到用一个noise model，但是noise model怎么会提前得到。然后就是，在计算N（N的含义就是满足至少有一次全部是inlier时random sample的次数，相当于上图第一步select的次数或者整个算法loop的次数）时要考虑每个点是inliner/outlier的概率，而这个概率怎么得知（课程没有明说），按理说这个概率和noise model是有关系的，但是，似乎课程用了别的方法来确定这个概率，见下图（但是必须承认的是，这个方法也很巧妙）；

最后。Adaptive Prodedure的最后一番话解答了上面那个疑惑。如果我们真的有real noise model的话，那么可以根据noise model设定一个threshold来判断inlier/outliner，但是real noise model不常有，或者常不有。

Since RANSAC is used quite a bit, below are some examples:

视频中讲到了计算不同的变化所需要的matches的数目（不太明白）：
- one matches for transition
- two for similarity
- three for affine transform
- four for homography

RANSAC for recognition

RANSAC for fundamental matrix（not understanded yet..）

RANSAC to find the table(plane)