隨機抽樣一致性（RANSAC）演算法能夠有效的剔除特徵匹配中的錯誤匹配點。
實際上，RANSAC能夠有效擬合存在噪聲模型下的擬合函式。實際上，RANSAC演算法的核心在於將點劃分為“內點”和“外點”。在一組包含“外點”的資料集中，採用不斷迭代的方法，尋找最優引數模型，不符合最優模型的點，被定義為“外點”。這就是RANSAC的核心思想。
RANSAC原理
OpenCV中濾除誤匹配對採用RANSAC演算法尋找一個最佳單應性矩陣H，矩陣大小為3×3。RANSAC目的是找到最優的引數矩陣使得滿足該矩陣的資料點個數最多，通常令h33=1來歸一化矩陣。由於單應性矩陣有8個未知引數，至少需要8個線性方程求解，對應到點位置資訊上，一組點對可以列出兩個方程，則至少包含4組匹配點對。
RANSAC演算法從匹配資料集中隨機抽出4個樣本並保證這4個樣本之間不共線，計算出單應性矩陣，然後利用這個模型測試所有資料，並計算滿足這個模型資料點的個數與投影誤差(即代價函式)，若此模型為最優模型，則對應的代價函式最小。
損失函式：
也就是通過隨機抽樣求解得到一個矩陣，然後驗證其他的點是否符合模型，然後符合的點成為“內點”，不符合的點成為“外點”。下次依然從“新的內點集合”中抽取點構造新的矩陣，重新計算誤差。最後誤差最小，點數最多就是最終的模型。
RANSAC演算法步驟：
RANSAC演算法步驟：
1. 隨機從資料集中隨機抽出4個樣本資料 (此4個樣本之間不能共線)，計算出變換矩陣H，記為模型M；
2. 計算資料集中所有資料與模型M的投影誤差，若誤差小於閾值，加入內點集 I ；
3. 如果當前內點集 I 元素個數大於最優內點集 I_best , 則更新 I_best = I，同時更新迭代次數k ;
4. 如果迭代次數大於k,則退出 ; 否則迭代次數加1，並重覆上述步驟；
注：迭代次數k在不大於最大迭代次數的情況下，是在不斷更新而不是固定的；
其中，p為置信度，一般取0.995；w為"內點"的比例 ; m為計算模型所需要的最少樣本數=4；
關於RANSAC演算法的思想，可以用下圖表示
也就是RANSAC演算法的本質是：在存在噪聲的資料中，我們求解一個模型，使得非噪聲資料可以用該模型表示，而噪聲資料被排除在外。
分享三個講解RANSAC演算法的網址：
https://www.csdn.net/gather_2d/MtjaMg3sNDAwNS1ibG9n.html
https://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html
https://blog.csdn.net/yanghan742915081/article/details/83005442