【PCL】sample_consensus 模块—— Random Sample Consensus model(随机样本一致性模型,RANSAC)

1、随机样本一致性模型(RANSAC)简介

在本教程中,我们将学习如何使用带有平面模型的随机样本一致性(RANSAC)来获取适合该模型的点云。

1.1理论背景

RANSAC 是“随机样本一致性”(RANdom SAmple Consensus)的缩写,它是一种迭代方法,用于从包含异常值的数据集中估计数学模型的参数。该算法由 Fischler 和 Bolles 于 1981 年提出。RANSAC 算法假设我们观察到的数据由内点和异常值组成。内点可以通过具有特定参数值的模型来解释,而异常值在任何情况下都不适合该模型。另一个必要的假设是,存在一种可以从数据中最佳估计所选模型参数的程序。

RANSAC 算法的输入是一组观测数据值、一个可以解释或拟合观测值的参数化模型以及一些置信参数。

RANSAC 通过迭代选择原始数据的随机子集来实现其目标。这些数据是假设的内点,然后通过以下步骤测试该假设:

  1. 将模型拟合到假设的内点,即从内点重建模型的所有自由参数。
  2. 然后,所有其他数据都针对拟合模型进行测试,如果某个点与估计模型拟合良好,则也将其视为假设的内点。
  3. 如果足够多的点被分类为假设的内点,则估计的模型是合理的。
  4. 从所有假设的内点重新估计模型,因为它仅从初始的假设内点集中估计。
  5. 最后,通过估计内点相对于模型的误差来评估模型。

此过程重复固定次数,每次生成一个由于分类为内点的点太少而被拒绝的模型,或者生成一个带有相应误差度量的改进模型。在后一种情况下,如果其误差低于上次保存的模型,则保留改进的模型。

RANSAC 的一个优点是它能够对模型参数进行鲁棒估计,即即使数据集中存在大量异常值,它也可以高精度地估计参数。RANSAC 的一个缺点是计算这些参数所需的时间没有上限。当计算的迭代次数有限时,获得的解决方案可能不是最优的,甚至可能不是一个很好地拟合数据的解决方案。通过这种方式,RANSAC 提供了一种权衡;通过计算更多的迭代次数,生成合理模型的概率会增加。RANSAC 的另一个缺点是它需要设置特定问题的阈值。

RANSAC 只能估计一个特定数据集的一个模型。对于任何单一模型方法,当存在两个(或更多)模型时,RANSAC 可能无法找到任何一个。

1.2图像示例

左侧和右侧的图像展示了 RANSAC 算法在二维数据集上的简单应用。左侧的图像是包含内点和异常值的数据集的视觉表示。右侧的图像以红色显示所有异常值,并以蓝色显示内点。蓝线是 RANSAC 工作的结果。在这种情况下,我们试图拟合数据的模型是一条线,看起来它非常适合我们的数据。

2、代码实现

2.1 RandomSampleConsensusModel.cpp

#include <iostream>
#include <thread>

#include <pcl/console/parse.h>
#include <pcl/point_cloud.h> // for PointCloud
#include <pcl/common/io.h> // for copyPointCloud
#include <pcl/point_types.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/sample_consensus/sac_model_sphere.h>
#include <pcl/visualization/pcl_visualizer.h>

using namespace std::chrono_literals;

pcl::visualization::PCLVisualizer::Ptr
simpleVis (pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud)
{
   
  // --------------------------------------------
  // -----Open 3D viewer and add point cloud-----
  // --------------------------------------------
  pcl::visualization::PCLVisualizer::Ptr viewer (new pcl::visualization::PCLVisualizer ("3D Viewer"));
  viewer->setBackgroundColor (0, 0, 0);
  viewer->addPointCloud<pcl::PointXYZ> (cloud, "sample cloud");
  viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");
  //viewer->addCoordinateSystem (1.0, "global");
  viewer->initCameraParameters ();
  return (viewer);
}

int
main(int argc, char** argv)
{
   
  // initialize PointClouds
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::PointXYZ>::Ptr final (new pcl::PointCloud<pcl::PointXYZ>);

  // populate our PointCloud with points
  cloud->width    = 500;
  cloud->height   = 1;
  cloud->is_dense = false;
  cloud->points.resize (cloud->width * cloud->height);
  for (pcl::index_t i = 0; i < static_cast<pcl::index_t>(cloud->size ()); ++i)
  {
   
    if (pcl::console::find_argument (argc, argv, "-s") >= 0 || pcl::console::find_argument (argc, argv, "-sf") >= 0
PCL(Point Cloud Library)是一个开源的C++库,提供了丰富的点云处理功能。`pcl/sample/consensus/sac_model_line.h`是PCL库中的一个头文件,定义了一个用于线模型采样的随机一致性算法(SAC,Sample Consensus模型。 SAC算法是一种用于从一组数据点中估计模型参数的算法,常用于计算机视觉和点云处理中。线模型(Line Model)是一种特定的模型,用于拟合点云中的直线。 在`pcl/sample/consensus/sac_model_line.h`中,定义了以下主要内容: 1. **SACModelLine类**:这是一个模板类,继承自`pcl::SampleConsensusModel`。它用于拟合点云中的直线,并提供了相关的成员函数和变量。 2. **成员函数**:包括构造函数、析构函数、拟合直线的方法、计算点到直线的距离的方法等。 3. **成员变量**:用于存储拟合后的直线参数,如直线的方向向量和直线上的一点。 以下是一个简单的示例,展示如何使用SAC模型进行直线拟合: ```cpp #include <pcl/point_types.h> #include <pcl/ModelCoefficients.h> #include <pcl/io/pcd_io.h> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/model_types.h> #include <pcl/segmentation/sac_segmentation.h> int main(int argc, char** argv) { // 创建一个点云对象 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); // 读取点云数据 pcl::io::loadPCDFile("input.pcd", *cloud); // 创建一个SAC分割对象 pcl::SACSegmentation<pcl::PointXYZ> seg; // 设置模型类型为直线模型 seg.setModelType(pcl::SACMODEL_LINE); // 设置方法类型为随机采样一致性 seg.setMethodType(pcl::SAC_RANSAC); // 设置距离阈值 seg.setDistanceThreshold(0.01); // 设置输入点云 seg.setInputCloud(cloud); // 创建模型系数对象 pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients); // 创建索引对象 pcl::PointIndices::Ptr inliers(new pcl::PointIndices); // 执行分割 seg.segment(*inliers, *coefficients); // 输出模型系数 std::cout << "Model coefficients: " << coefficients->values[0] << " " << coefficients->values[1] << " " << coefficients->values[2] << " " << coefficients->values[3] << std::endl; return 0; } ``` 这个示例展示了如何使用PCL库中的SAC模型进行直线拟合,并输出拟合后的直线模型系数。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值