對角點進行初始匹配后，所選定的角點并不能保證全部是正確的點，也可能有誤點，因此，還需要進一步對所選定的角點進行精確匹配。

?

RANSAC(RANdom Sample And Consensus)方法是由Fischler和Bolles提出的一種魯棒性的參數估計方法。它的基本思想是在進行參數估計時，不是不加區(qū)分地對待所有可用的輸入數據，而是首先針對具體問題設計出一個目標函數，然后迭代地估計該函數的參數值，利用這些初始參數值把所有的數據分為所謂的“內點”(Inliers，即滿足估計參數的點)和“外點”(Outliers，即不滿足估計參數的點)，最后反過來用所有的“內點”重新計算和估計函數的參數。

?

使用RANSAC估計方法，可以最大限度地減少噪聲及外點的影響。

?

RANSAC用于選定最佳角點的主要步驟為：

(1)、將初始提取的2行N列的N個角點變成3行N列的N個角點，第三行為全1；

(2)、對初始提取的角點進行歸一化；

(3)、設置迭代最大次數；

(4)、設置每次隨機選取時最少的角點個數；

(5)、每次隨機選取由(4)指定個數的角點；

(6)、判斷由(5)中選取的角點，是否有部分共線，并設定最大循環(huán)次數；

(7)、對選定的角點計算2-D單應性矩陣；

(8)、選定一次內點并記錄；

(9)、對選定的內點進行判斷；

(10)、如滿足條件(9)則作為選出的最好一組內點，否則，依次循環(huán)(5)~(9)；

?

RANSAC算法由于在初始時是隨機選取角點，因此存在不確定性，即時相同操作對兩對同樣的特征點進行RANSAC算法角點提取，每一次得出的結果也不一定就是相同的，但是最終的效果一般都是比較理想的。