1.项目背景M-Estimators是稳健统计估计中的一个重要概念，它们在处理含有异常值、离群点或者影响点的数据时特别有用。

最小二乘都知道一条直线可以表达成y=ax+b形式，其中a为斜率，b为截距。最小二乘就是对n个点进行拟合，使其距离拟合直线的总体误差尽量小。求解方法也很简单，就是最小化每个点到直线的垂直误差。1、建立方差误差2、求导得参数缺点：1、无法拟合垂直线，且由于误差采用的是垂直误差，导致越接近垂直线，拟合效果越差。2、对噪声的鲁棒性不好，受噪声影响较大。一种方式是在拟合直线过后，选择距离直线较近的点进行重新

图像配准对于运动平台（无人机，移动机器人）上的视觉处理有着极其重要的作用。配准算法的第一步通常是找到两幅图像中一一对应的匹配点对（特征点提取、描述、点对匹配），然后通过匹配点对求取变换矩阵。在图像特征点匹配之KD-Tree一文中讲了配准中第一步中的点对匹配方法，本文将集中讨论配准第二步。在获得匹配点对后，我们需要从中选取一定的匹配正确的点对计算变换矩阵，对于透射变换，需要选取4组点对，对于仿射变换

ForegroundEstimationBasedonLinearRegressionModelwithFusedSparsityonOutliers”这篇文献里，在介绍最小二乘对噪声不鲁棒的时候提到了一个新的东西叫做M-estimators

M-estimators是一类广泛估计函数，定义为所给数据上的最小和函数。最小平方估计和极大似然估计都是M估计法。M估计法由鲁棒的数据作为运行保证。

原文地址：http://lanbing510.info/2015/10/15/RANSAC.html

图片正常显示的排版版请移步http://lanbing510.info/2015/10/15/RANSAC.html写在前面图像配准对于运动平台（无人机，移动机器人）上的视觉处理有着极其重要的作用。配准算法的第一步通常是找到两幅图像中一一对应的匹配点对（特征点提取、描述、点对匹配），然后通过匹配点对求取变换矩阵。在图像特征点匹配之KD-Tree一文中讲了配准中第一步中的点对匹配方法，本文将集中讨论

M-estimators是一类广泛估计函数，定义为所给数据上的最小和函数。最小平方估计和极大似然估计都是M估计法。M估计法由鲁棒的数据作为运行保证。