PCL_RANSAC随机采样一致性

最新推荐文章于 2025-05-24 17:22:35 发布

原创

最新推荐文章于 2025-05-24 17:22:35 发布 · 603 阅读

2 ·

CC 4.0 BY-SA版权

本文深入探讨了RANSAC（随机采样一致性）和LMeds（最小中值方差估计）两种鲁棒估计算法。RANSAC通过迭代选择样本子集估计模型参数，适合处理含有大量噪声的数据集；而LMeds则通过最小化偏差中值来估计模型，适用于outliers比例不超过50%的情况。文章还提供了基于PCL库使用RANSAC进行点云拟合平面模型的实例。

一：RANSAC随机采样一致性
流程：
样本 -> 样本子集 -> 模型参数（最小方差估计算法）-> 样本点与模型偏差 -> （1）若小于阈值：局内点 -> 记录个数；（2）若大于阈值：局外点
重复过程，迭代末尾依据期望的误差率、best_ninliers、总样本个数、当前迭代次数计算一个结束评判因子，其中inliers个数最多时对应的模型参数为最佳模型参数。

缺点：需要事先设定阈值，不适用于样本动态变化；只能估计一个模型。

二：LMeds最小中值方差估计
流程：
样本 -> 样本子集 -> 模型参数（最小方差估计算法）-> 样本点与模型偏差 -> 记录偏差值居中的样本偏差（Med偏差）以及模型参数 -> 重复N次 -> 挑选偏差值最小的一个 -> 对应模型参数为最佳模型参数。不需要事先设定阈值，N由样本个数、期望误差、估计outliers比例决定。

缺点：outliers比例不能超过50%。

简例：
RandomSampleConsensus类获得点云的拟合平面模型
（1）构造球型点云局内点和局外点

//初始化点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr final(new pcl::PointCloud<pcl::PointXYZ>);

	//填充点云
	cloud->width = 5000;
	cloud->height = 1;
	cloud->is_dense = false;
	cloud->points.resize(cloud->width * cloud->height);
	for (size_t i = 0<