当前位置： 首页 > news >正文

PCL学习（5）随机采样一致性算法RANSAC

news 2025/7/7 11:10:41

一、RANSAC概念及作用

1.1 基本概念

RANSAC是一种鲁棒的参数估计方法，用于从包含大量异常值的数据中拟合数学模型。其核心思想是通过随机采样和迭代验证，找到最优的模型参数，避免异常值的干扰。

1.2 核心思想

  • 随机采样：每次从数据中随机选取最小子集（如拟合直线时选2个点）来估计模型参数。

  • 一致性检验：用估计的模型测试其他数据点，统计符合模型的内点（inliers，误差小于阈值的数据）。

  • 迭代优化：重复上述过程，选择内点最多的模型作为最优解。

1.2.1 算法步骤

  1. 随机采样：从数据中随机选取最小样本集（如拟合平面需3个点）。

  2. 模型估计：用采样点计算模型参数（如直线方程）。

  3. 内点检测：计算所有数据点到模型的误差，统计满足误差阈值的点（内点）。

  4. 评估模型：若当前内点比例高于历史最优，则更新模型和内点集合。

  5. 终止条件：达到预设迭代次数或内点比例足够高时停止。

1.2.2 优缺点

  • 优点：

    • 对噪声和异常值不敏感。

    • 无需数据预处理（如滤波）。

  • 缺点：

    • 计算成本高（依赖迭代次数）。

    • 需预设阈值（如内点误差阈值）。

1.2.3 数学表达

1.3 PCL中的随机参数估计算法

PCL 中以随机采样一致性算法( RANSAC) 为核心，实现了五种类似于RANSAC的随机参数估计算法，例如随机采样一致性估计（RANSAC ) 、最大似然一致性估计 （MLESAC ) 、最小中值方差一致性估计 ( LMEDS )等，所有的估计参数算法都符合一致性准则。利用RANSAC可以实现点云分割，目前 PCL 中支持的几何模型分割有空间平面、直线、二维或三维圆、圆球、锥体等 。 

二、代码解析

2.1 生成噪声和球体面

	for (std::size_t i = 0; i < cloud->points.size(); ++i)
	{
		cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0);
		cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0);
		if (i % 5 == 0)
		{
			cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0);
		}
		else if (i % 2 == 0)
		{
			cloud->points[i].z = sqrt(1 - (cloud->points[i].x * cloud->points[i].x)
				- (cloud->points[i].y * cloud->points[i].y));
		}
		else
		{
			cloud->points[i].z = -sqrt(1 - (cloud->points[i].x * cloud->points[i].x)
				- (cloud->points[i].y * cloud->points[i].y));
		}
	}

生成一个合成点云，其中包含：随机噪声点和一个隐含的球体表面点

比例Z 坐标生成方式几何意义
20%完全随机 ([0, 1024))离群点（噪声）
40%z = +sqrt(1 - x² - y²)单位球上半球面（内点）
40%z = -sqrt(1 - x² - y²)单位球下半球面（内点）

  • 有效球面点：80% 的点分布在单位球上（x² + y² + z² = 1）。

  • 噪声点：20% 的点是随机噪声，用于测试 RANSAC 的鲁棒性。

2.2 RANSAC算法过程

	std::vector<int> inliers;
	pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));
	pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);
	ransac.setDistanceThreshold(.01);
	ransac.computeModel();
	ransac.getInliers(inliers);

2.2.1 创建球体模型对象

pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr model_s(
    new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));

  • 作用：定义一个 RANSAC 可拟合的球体模型。

  • 参数：

    • pcl::PointXYZ：点云类型（包含 x, y, z 坐标）。

    • cloud：输入点云（pcl::PointCloud<pcl::PointXYZ>::Ptr 类型）。

  • 输出：model_s 是球体模型的智能指针，用于后续 RANSAC 拟合。

2.2.2 初始化 RANSAC 算法

pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);

  • 作用：创建RANSAC求解器，绑定球体模型 model_s。

  • 关键点：

    • RANSAC 会从 cloud 中随机采样点，尝试拟合球体。

    • 适用于存在大量离群点（outliers）的情况。

2.2.3 设置距离阈值

ransac.setDistanceThreshold(0.01);

  • 作用：定义内点（inliers）的判定条件。

  • 参数：

    • 0.01：点到球面的最大允许距离（单位：米）。

    • 若点距球面距离 ≤ 0.01，则判定为内点。

  • 影响：

    • 值越小，拟合越严格。

    • 值越大，鲁棒性越强。

2.2.4 执行RANSAC拟合

ransac.computeModel();

  • 作用：运行 RANSAC 算法，迭代寻找最优球体参数。

  • 内部流程：

    1. 随机采样最小点集（球体需 4 个点）。

    2. 计算球体参数（中心 (cx, cy, cz) 和半径 r）。

    3. 统计所有满足 distance ≤ 0.01 的内点。

    4. 重复迭代，保留内点最多的模型。

2.2.5 获取内点索引

ransac.getInliers(inliers);

  • 作用：提取被 RANSAC 判定为内点的索引。

  • 参数：

    • inliers：通常是 pcl::PointIndices::Ptr 或 std::vector<int> 类型，存储内点的索引。

2.2.6 copyPointCloud函数

pcl::copyPointCloud(*cloud, inliers, *final);

这行代码的作用是从原始点云 cloud 中提取 RANSAC 拟合后得到的内点（inliers），并将其复制到一个新的点云final中。

  • 输入：

    • *cloud：原始点云。

    • indices：需要复制的点的索引（这里是 inliers，即 RANSAC 找到的内点）。

  • 输出：

    • cloud_out：存储提取后的点云（这里是 *final）。

2.3 点云显示函数

pcl::visualization::PCLVisualizer::Ptr 
simpleVis(pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud, pcl::PointCloud<pcl::PointXYZ>::ConstPtr final = nullptr)
{
	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, 2, "sample cloud");
	if (final != nullptr)
	{
		pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_handler(final, 255, 0, 0);
		viewer->addPointCloud<pcl::PointXYZ>(final, color_handler, "final cloud");
		viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "final cloud");
	}
	viewer->addCoordinateSystem(1.0, "global");
	viewer->initCameraParameters();
	return (viewer);
}

上述代码将原点云显示为白色，将筛选后的点云显示为红色。

2.4案例完整代码

2.2.1 案例球形估计

#include <iostream>
#include <thread>

#include <pcl/filters/extract_indices.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_parallel_plane.h>
#include <pcl/sample_consensus/sac_model_normal_sphere.h>
#include <pcl/visualization/pcl_visualizer.h>

pcl::visualization::PCLVisualizer::Ptr 
simpleVis(pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud, pcl::PointCloud<pcl::PointXYZ>::ConstPtr final = nullptr)
{
	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, 2, "sample cloud");
	if (final != nullptr)
	{
		pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_handler(final, 255, 0, 0);
		viewer->addPointCloud<pcl::PointXYZ>(final, color_handler, "final cloud");
		viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "final cloud");
	}
	viewer->addCoordinateSystem(1.0, "global");
	viewer->initCameraParameters();
	return (viewer);
}

int main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr final(new pcl::PointCloud<pcl::PointXYZ>);
	cloud->width = 3000;
	cloud->height = 1;
	cloud->is_dense = false;
	cloud->points.resize(cloud->width * cloud->height);
	for (std::size_t i = 0; i < cloud->points.size(); ++i)
	{
		cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0);
		cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0);
		if (i % 5 == 0)
		{
			cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0);
		}
		else if (i % 2 == 0)
		{
			cloud->points[i].z = sqrt(1 - (cloud->points[i].x * cloud->points[i].x)
				- (cloud->points[i].y * cloud->points[i].y));
		}
		else
		{
			cloud->points[i].z = -sqrt(1 - (cloud->points[i].x * cloud->points[i].x)
				- (cloud->points[i].y * cloud->points[i].y));
		}
	}

	std::vector<int> inliers;
	pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));
	pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);
	ransac.setDistanceThreshold(100);
	ransac.computeModel();
	ransac.getInliers(inliers);

	pcl::copyPointCloud(*cloud, inliers, *final);
	pcl::visualization::PCLVisualizer::Ptr viewer;
	viewer = simpleVis(cloud, final);
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
	}
	return -1;
}

2.2.2 案例平面估计

#include <iostream>
#include <ctime>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/visualization/range_image_visualizer.h>
#include <pcl/sample_consensus/sac_model_perpendicular_plane.h>
#include <pcl/sample_consensus/ransac.h>

pcl::visualization::PCLVisualizer::Ptr simpleVis(pcl::PointCloud<pcl::PointXYZ>::ConstPtr PointCloud,pcl::PointCloud<pcl::PointXYZ>::ConstPtr final = nullptr)
{
	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
	viewer->setBackgroundColor(0, 0, 0);
	viewer->addPointCloud<pcl::PointXYZ>(PointCloud, "PointCloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "PointCloud");

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> final_point_color_handle(final, 255, 0, 0);
	viewer->addPointCloud(final, final_point_color_handle,"fianl");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 4, "fianl");
	viewer->addCoordinateSystem(200);
	viewer->initCameraParameters();
	return viewer;
}

int main(int argc, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr PointCloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr final(new pcl::PointCloud<pcl::PointXYZ>);
	PointCloud->width = 1500;
	PointCloud->height = 1;
	PointCloud->is_dense = false;
	PointCloud->points.resize(PointCloud->width * PointCloud->height);

	for (size_t i = 0; i < PointCloud->points.size(); ++i)
	{
		PointCloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0);
		PointCloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0);
		if (i % 2 == 0)
		{
			PointCloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0);
		}
		else
		{
			PointCloud->points[i].z =0.5 * ( PointCloud->points[i].x + PointCloud->points[i].y);
		}
	}

	std::vector<int> inliers;

	pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr model_p(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(PointCloud));
	pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_p);
	ransac.setDistanceThreshold(0.001);
	ransac.computeModel();
	ransac.getInliers(inliers);

	pcl::copyPointCloud(*PointCloud, inliers, *final);

	pcl::visualization::PCLVisualizer::Ptr viewer;
	viewer = simpleVis(PointCloud, final);

	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
	}
	return 0;
}

http://www.dtcms.com/a/112977.html

相关文章：

  • Maven工具学习使用（七）——Maven属性
  • 从零构建大语言模型全栈开发指南：第三部分：训练与优化技术-3.1.2Tokenization策略：BPE算法与词表设计
  • 4.5蓝桥入门赛题解
  • 高级：分布式系统面试题精讲
  • ARXML文件解析-2
  • STL剖析
  • 人工智能赋能工业制造：智能制造的未来之路
  • Hash结构之购物车实战
  • 【零基础入门unity游戏开发——动画篇】unity旧动画系统Animation组件的使用
  • AntDesign下，Select内嵌Menu标签，做一个多选下拉框，既可以搜索，还可以选择下拉项
  • 【项目管理】第一部分 信息技术 1/2
  • 十道海量数据处理面试题与十个方法总结
  • 嵌入式Linux驱动—— 1 GPIO配置
  • 浙考！【触发器逻辑方程推导（电位运算）】
  • Ai提示词大师 1.0 | 预制1000+模板满足
  • 《Java实战：素数检测算法优化全解析——从暴力枚举到筛法进阶》
  • GD32H759IMT6 Cortex-M7 OpenHarmony轻量系统移植——4.1版本升级到5.0.3
  • 网络编程—TCP/IP模型（UDP协议与自定义协议）
  • Altshuller矛盾矩阵查询：基于python和streamlit
  • 哈希表（Hashtable）核心知识点详解
  • 【虚拟仪器技术】Labview虚拟仪器技术习题答案（二），设计VI程序
  • 练习题：124
  • Java Web从入门到精通：全面探索与实战（一）
  • 基于YOLO11实例分割与奥比中光相机的快递包裹抓取点检测
  • 基于CATIA产品结构树智能排序的二次开发技术解析——深度定制BOM层级管理系统的Pycatia实践
  • docker搭建minio集群(简化版)
  • MessageQueue --- RabbitMQ WorkQueue
  • Redis-Hash类型
  • 我的购物车设计思考：从个人项目到生产实战思考的蜕变
  • 【Linux网络与网络编程】05.应用层自定义协议序列化和反序列化