随机抽样一致，其英文名为random sample consensus，英文缩写为RANSAC。。随机抽样一致算法旨在减少过失误差对模型拟合的影响，尤其适合符合特定结构的模型的参数估计。RANSAC被广泛应用于计算机视觉领域图像匹配、全景拼接等问题。

1981年M.A.菲施勒和R.C.博尔斯首次提出随机抽样一致算法，并将其应用于3D重建中的位置确定（LDP）问题。1987年A.M.勒罗伊等人将其引入统计学领域，用于LMS估计问题。为解决模型过拟合问题，1995年P.H.S.托尔等人提出在RANSAC过程中引入对简并组态的检测。2000年P.H.S.托尔等人提出了M估计抽样一致（MSAC），不同于RANSAC只考虑一致集的大小，MSAC将目标损失函数定义为各点符合模型的程度的累加和，从而避免阈值范围过大导致的模型能力误判。在此基础上引入对一致集的评估环节，利用EM算法计算类内点的概率对模型进行预筛选，即MLESAC算法。为提高生成待选模型的质量，从而提高算法效率，B.J.托多夫利用了关于观测数据集的先验知识，通过特征匹配算法得出不同模型的优先级，提出了引导性MLESAC。2005年尼斯特提出了可用于实时结构与运动检测的抢占式RANSAC，从此RANSAC被广泛部署于实时性系统，尤其是移动端及云端应用。

随机抽样一致算法基于以下两个假设：①对于某特定模型，观测数据集可视为由两种数据组成，即符合模型分布的“类内点”和不符合的“类外点”。②类外点对模型参数的求解不起作用，只有被判定的类内点被用于参数计算。

随机抽样一致算法的目的为寻找描述观测数据集的最优模型，将类内点与类外点区分开来，因此也可视作一种边缘提取算法。具体求解过程如下：①随机选取一个最小数据集，数据集大小应满足能够计算出模型的所有参数，并求解相应模型。②使用求解出的模型检验观测集中其他数据点，如果误差在设定阈值范围内，则将其判定为类内点，计入一致集，否则判定为类外点；如果一致集的大小即类内点的数目达到一定数量，则认为预测合理，此时使用全部类内点重新计算模型。③循环执行上述两步，保留一致集最大的模型。

按算法执行步骤可将改进的方向分为对模型生成、模型验证和模型细化部分的优化三类，实际应用中各部分相互配合，形成系统总框架。

RANSAC随机生成固定数目的样本集，得到对应的模型用于后续验证。通过改进抽样算法，生成合适的模型，可以提高所得模型的准确度及算法执行效率。基于相似度高的点更可能是类内点的假设，提出了NAPSAC，在数据点为中心的超球面内构建最小抽样子集，相较随机抽样方法能获得更高的类内点概率。PROSAC将点初始集匹配的结果作为排序的依据，使得在采样时根据匹配结果由高到低的得分进行排序。为充分利用关于观测数据集的先验知识，引导技术也被应用到算法的改进上。

在模型验证阶段，若能快速检测出不合适的模型，减少多余计算，可有效提升算法效率。O.查姆等人添加了一个简单的模型预检测步骤，即随机选d（d<<N，一般取1）个数据，仅当d个数据均被判定为类内点才继续判定其余观测点。基于类似的思想，D.卡培尔改进了模型筛选策略：假设类内点的个数服从超几何分布，选取集合中的若干点进行测试，若类内点的比例显著低于当前最佳模型类内点的比例，抛弃此模型。

含有噪声的数据集有两个重要特点：①即使子集中全都是类内点，产生的模型也并不一定适用于数据集中所有的类内点，这个现象增加了迭代的次数。②最终收敛的RANSAC结果可能受到噪声未完全清理的影响，并不是全局最优的结果。针对后面一点，增加模型细化的后处理，能够帮助减少模型传递噪声，提升模型性能。