经过ORB提取以及匹配特征点对后，再通过前面的快速最近邻算法、余弦相似度提纯操作对特征点对进行初步筛选，我们已经初步得到了一系列比较好的特征点对，这些是2D-2D的特征点匹配关系，然后我们需要从匹配成功的点中恢复帧间位姿，实现位姿估计。
我们利用RANSAC算法选出所有匹配成功特征点对中的内点，利用迭代思想估计最佳位姿。
例如，这是相邻两帧图片之间特征点匹配图，可以看到，仍然存在许多斜线点对，很乱，这种匹配情况一般出现在运动物体大幅运动过程，而相邻两帧图片中比较少出现这种大幅运动，一般都是略微的平移，所以，还需要最后使用RANSAC算法选出匹配成功特征点对中的内点，利用迭代的思想挑取最优数据估计最佳位姿。
一次RANSAC迭代过程：
1、随机在所有点对中选出一部分内点作为初值，拟合一个初始模型
这些点对中有正常的，也有错误的，但我们先选出一部分，先用它来拟合一个模型
2、用（1）中拟合的模型对所有的数据进行测试，若样本中的某些点适合模型，则扩充内点集合
把适合当前拟合模型的点认为是内点
3、当内点数目足够多的时候，认为估计的模型合理
这个多是相对于总数来说的
4、用当前所有内点重新估计模型，作为最终的模型
因为我们使用的模型仅仅是用一开始选定的点来估计的，现在需要用更新的内点集合重新估计一个新模型
5、对模型进行评价
这只是一次迭代过程，我们要继续选点重复如上操作，因为可能某次选到的正好都是不符合情况的误匹配的特征点，得到一个不断扩充外点的模型，这种是要淘汰的。重复执行指定次数，每次产生的模型要么因为局内点太少被舍弃，要么因为比现有的模型更好而被选用
假如内点数量不足，则重新选点进行迭代
假如模型的评价指标在所有迭代结果中最佳，则选用这个模型
这是经过RANSAC算法处理后的匹配情况：
原理浅析：
假设P表示迭代过程中出现过好的模型的概率，好的意思就是抽到用来计算模型的点全都是局内点
假设W=局内点数目/数据点总数目 （W是未知的，不然我已经知道了哪些是局内点，何必迭代来找，此处假设局内点占比用来推导）
假设计算模型参数需要n个点
n 个点中至少有一个点为局外点的概率为：1-W^n
1-p=（1-w^n）^k
等式两边均是 k次迭代没有出现好的模型的概率
我们可以看出，当K 趋近无穷时，P会趋近于1，这说明只要迭代次数够大，那么一定会出现上面说的幸运情况
我们也可以用对数反解出迭代次数K：
假设需要P为0.99，n 易知，w可以估计一个
通过这个过程，我们不难发现其缺点，也就是算法随机性太高，必须加大迭代次数来提高精度，而为了使得算法有更好的效果，我们才在ORB提取匹配后加入一系列的预处理操作，增大局内点占比，使得在较底迭代次数下能有更高概率得到最佳筛选
