最新的光流方法大都采用先进行稀疏匹配,再插值获得密集光流的策略。尽管RANSAC(随机采样一致算法)方法对于较大比例的错误匹配具有很好的鲁棒性,但到目前为止它仅可用于参数模型估计,并且由于光流空间的高维度其在光流估计中难以被使用。我们基于RANSAC的假设-验证框架,提出了一种稳健的光流估计方法。我们首先将光流估计和错误匹配过滤转化为最大化光流评价函数的优化问题。然而求解该问题是NP-hard的,同时涉及稀疏到稠密的光流插值过程。我们提出了一种高效的优化方法,可以将问题复杂度降低为次线性。首先对输入匹配进行分组和排序,然后采用一种渐进式算法分离正确匹配和错误匹配,最终仅需要几次光流插值就可以获得稳定结果。光流评价函数的计算可以采用任意方法,对函数形式和匹配度量没有约束,因此展示出对于先前基于能量的方法以及分片方法的明显优势。我们将所提出的方法称为FlowSAC,也揭示了与先前RANSAC系列方法的关联。在Sintel和Kitti数据集上的实验表明,FlowSAC稳定地超越以往的错误匹配过滤方法,可以得到更多的正确匹配和更少的错误匹配,并且展示出对错误匹配比例增加的不敏感性。