Jakob Bratkovič j.bratkovic@iskratel.si Algoritem RANSAC Jakob Bratkovič j.bratkovic@iskratel.si.

Predstavitev na temo: "Jakob Bratkovič j.bratkovic@iskratel.si Algoritem RANSAC Jakob Bratkovič j.bratkovic@iskratel.si."— Zapis predstavitve:

1 Jakob Bratkovič j.bratkovic@iskratel.si
Algoritem RANSAC Jakob Bratkovič

2 Kaj je RANSAC Random Sample Consensus Avtorja:
Martin A. Fischler Robert C. Bolles Objava: Communications of the ACM (1981) Algoritem za prileganje modela eksperimentalnim podatkom

3 ALGORITEM Izberi N naključnih vzorcev. Oceni parametre modela.
Ugotovi, kolikšen je delež vzorcev (K), ki se prilegajo modelu. Če je K dovolj velik, zaključi z algoritmom. Vrni se na korak 4, če je iteracija manjša od L. Neuspeh.

4 ALGORITEM RANSAC ima tri proste parametre:
parameter tolerance napake, ki pove, ali točka ustreza modelu ali ne – (E) koliko različnih množic točk naj preizkusimo, preden se odločimo, da algoritem ni uspel najti primernega modela – (L) prag, ki določa, kolikšen delež iz celotne množice točk mora ustrezati modelu, da smatramo iteracijo za rešitev problema – (T)

5 DIAGRAM POTEKA

6 Model premice in metoda najmanjših kvadratov
Velike napake lahko močno vplivajo na kvaliteto modela

7 Model premice in RANSAC
Slabih točk z algoritmom RANSAC ne upoštevamo. Na dobrih podatkih lahko izvedemo kasneje še metodo najmanjših kvadratov.

8 DEMONSTRACIJA ALGORITMA
LINE iteration: 1 adding 2 adding 0 estimating linear parameters... evaluating linear model... data good data good data good... data bad data bad fail passed: 60.0% iteration: 2 adding 4 adding 1 data good data good data good pass passed: 100.0% model: premica parametri: E – 0.8 L – 10 T – 0.9 (90%)

9 ZAKLJUČEK RANSAC je robusten algoritem za prileganje modela eksperimentalnim podatkom. Izboljšamo ga lahko tako, da naključni proces izbiranja zamenjamo z determinističnim.