纳普萨克

NAPSAC:高噪声,高维鲁棒估计-这是在袋子里。许多最强大的鲁棒估计算法,如RANSAC,MINPRAN和LMS,在选择随机最小数据集来实例化假设方面有其基础。然而,在高维空间中,由于对完全由内联构成的集合进行抽样的概率呈指数递减,它们的性能会下降。为了克服这一点,本文提出了一种新的策略,即改变样本的获取方式,假设内联线之间的距离比离群值更近。在此前提下,推导了NAPSAC(N个相邻点采样一致性)算法,并证明了其在高噪声和高维空间的性能优于RANSAC算法。