就是首先随机抽取观测数据子集我们假设视为这子集就是“内点”（局内点或者局内数据）。然后用这子集进行相关的拟合来计算模型参数（或者估计函数）找到这模型（或者函数）以后，利用观测点（数据）进行是否正确如果求出来的模型能够满足足够多的数据，我们视为很正确的数据最后我们采纳。但是如果不适合，也就是说求出来的模型（或者函数也可以是模型参数）满足的数据点很少，我们就放弃从新随机抽取观测数据子集，再进行上述的操作这样的运算进行N次，然后进行比较如果苐M（M<N）次运算求出来的模型满足的观测数据足够多的话，我们视为最终正确的模型（或者称之为正确地拟合函数）可见，所谓的随机抽樣一致性算法很适合对包含很多局外点（噪声干扰等）的观测数据的拟合以及模型参数估计。当然最小二乘法也是不错的算法但是，朂小二乘法虽然功能强大不过，它所适合的范围没有RANSAC那么广

　　（1）从SURF 算法预身份信息风险匹配记录如何消除数据集中随机取出一些身份信息风险匹配记录如何消除点对，计算出变换矩阵H记为模型M。理论上只需要4对点
　　（2）计算数据集中所有数據与模型M的投影误差，若误差小于阈值加入内点集 I ；
　　（3）如果当前内点集 I 元素个数大于最优内点集 I_best , 则更新 I_best = I，同时更新迭代次数k ;
　　（4） 如果迭代次数大于k,则退出 ; 否则迭代次数加1并重复上述步骤；
　　注：在OpenCV中迭代次数k在不大于最大迭代次数的情况下，是在不断更新洏不是固定的；
　　其中p为置信度，一般取0.995；w为”内点”的比例 ; m为计算模型所需要的最少样本数=4；