ransac共同约束的提纯算法

RANSAC（Random Sample Consensus）是一种经典的模型参数估计算法，主要用于处理存在噪声或者异常值的数据。该算法的基本思想是通过随机采样得到一组子集数据，然后根据这个子集数据拟合一个模型，再用这个模型去验证所有数据，将符合模型的数据作为内点，而不符合模型的数据作为外点。通过多次随机采样和模型拟合，统计内点数量最多的模型作为最终的模型。

在RANSAC算法中，有时候可能会遇到多个模型同时存在的情况，例如拟合一组数据时可能存在两个直线交点的情况。这时候就需要使用共同约束的提纯算法来提高模型的准确性。共同约束的提纯算法的基本思想是将所有模型拟合出来的内点集合起来，然后重新拟合一个新的模型，使得这个新模型同时满足拟合出来的所有内点的约束条件。通过这种方式，可以剔除掉一些不符合实际情况的模型，提高模型准确性。

具体的步骤如下：

1. 从RANSAC算法中得到多个模型，每个模型对应一个内点集合。

2. 将所有内点集合合并起来，得到一个新的内点集合。

3. 根据新的内点集合重新拟合一个新的模型。

4. 对于每个原始模型，都检查其内点集合是否满足新模型的约束条件。如果内点集合符合约束条件，则保留这个模型，否则将其剔除。

5. 最终得到的模型即为符合约束条件的模型。