用最小二乘拟合一组二维点，本来该是一条漂亮的直线，结果数据里混进三五个离谱的野点，拟合出来的线直接被带偏。遇到这种数据，RANSAC 就是救场的办法，中文一般叫随机抽样一致算法。

它的思路很直白：模型对不对，让数据自己投票。名字里的随机指抽样这一步，一致指内点数量达到一致认可。它不挑模型类型，直线、平面、单应矩阵、相机位姿都能套，只要能算出点到模型的距离就有戏。

核心步骤就四步

  • 随机抽最小样本集，拟合直线就抽 2 个点
  • 用这组样本算出一个候选模型
  • 拿全部点套这个模型，距离小于阈值的算内点，数一下个数
  • 重复几百上千次，留下内点最多的那个模型

最后再用全部内点补一次最小二乘，把模型磨细。因为评分看内点数量而不是误差平方和，几个野点再离谱也翻不了盘。

工程里怎么调参

关键是距离阈值，按数据噪声定，点云配准里常用 1 到 3 个单位。迭代次数和内点比例挂钩，内点越少要迭代越多，有经典估算公式靠内点比例和期望成功率算，工程上多数直接给个足够大的数，再用超时兜底。OpenCV 里匹配特征点算单应矩阵，直接选 RANSAC 模式：

M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

返回的 mask 里为 0 的就是被判定成外点的匹配，直接丢掉，顺手统计一下内点比例，比例太低说明场景不适合直接匹配，先回去检查特征提取。SIFT 匹配去误配、消失点估计，背后基本都是这一套。

点云处理里它更是标配：两帧点云先粗配对，再用 RANSAC 剔掉错误对应关系，最后送进精配准。PCL 库把常见模型都封装好了，平面、直线、圆柱、球，换个模型类型就能拟合，工业件的平面提取天天在用。

什么时候别用它

数据本来就干净，最小二乘更快更稳。它还有随机性，同一批数据跑两次结果可能不同，要稳定就把迭代次数调大。野点占一半以上时它也吃力，一般先滤波或降采样，再上 RANSAC。选模型类型前先想清楚数据的几何形状，点云里硬拟直线，出来的结果一般没法看。