网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
点向式：(x-x0）/u =（y-y0）/v=(z-z0) /w ，过点（x0,y0,z0） ,且有方向向量（u,v,w)。
设空间一点为P(x0,y0,z0)，在直线上找一点Q(x1,y1,z1)，直线的方向向量为:S=(l,m,n)，则d=|PQ叉乘S|/|S|，
理由:|PQ叉乘S|为一平行四边形的面积,|S|为其一边.故=|PQ叉乘S|/|S|为平行四边形的高.即为点到直线的距离。
2、空间平面：三个不在一条直线上的点确定一个平面
Ax+By+Cz+D=0，即ax+by+cz+1=0
四个未知数求出三个就够啦,这三个未知数都可以用第四个未知数来表示,假设第四个未知数是D.则求出来的三个未知数一般是：A=a*D;B=b*D;C=c*D;（D不等于0），最终有a*Dx+b*Dy+cDz+D=0,等式两边同除以D,得平面方程ax+by+cz+1=0；
将已知三个点的坐标分别用P1(x1,y1,z1)，P2(x2,y2,z2)，P3(x3,y3,z3)表示。
设通过P1，P2，P3三点的平面方程为：Ax + By + Cz + D = 0。将P1(x1,y1,z1)点数值代入方程Ax + By + Cz + D = 0。
即可得到：Ax1 + By 1+ Cz1 + D = 0。化简得D = -(A * x1 + B * y1 + C * z1)。
则可以根据P1(x1,y1,z1)，P2(x2,y2,z2)，P3(x3,y3,z3)三点坐标分别求得A、B、C的值，如下：
A = (y3 - y1)*(z3 - z1) - (z2 -z1)*(y2 - y1);
B = (x3 - x1)*(z2 - z1) - (x2 - x1)*(z3 - z1);
C = (x2 - x1)*(y3 - y1) - (x3 - x1)*(y2 - y1);
又D = -(A * x1 + B * y1 + C * z1)，所以可以求得D的值。
利用RANSAC拟合平面：
clc;clear all;close all;
%%%三维平面拟合
%%%生成随机数据
%内点
mu=[0 0 0]; %均值
S=[2 0 4;0 4 0;4 0 8]; %协方差
data1=mvnrnd(mu,S,300); %产生200个高斯分布数据
%外点
mu=[2 2 2];
S=[8 1 4;1 8 2;4 2 8]; %协方差
data2=mvnrnd(mu,S,100); %产生100个噪声数据
%合并数据
data=[data1',data2'];
iter = 1000;
%%% 绘制数据点
figure;plot3(data(1,:),data(2,:),data(3,:),'o');hold on; % 显示数据点
number = size(data,2); % 总点数
bestParameter1=0; bestParameter2=0; bestParameter3=0; % 最佳匹配的参数
sigma = 1;
pretotal=0; %符合拟合模型的数据的个数
for i=1:iter
%%% 随机选择三个点
idx = randperm(number,3);
sample = data(:,idx);
%%%拟合直线方程 z=ax+by+c
plane = zeros(1,3);
x = sample(:, 1);
y = sample(:, 2);
z = sample(:, 3);
a = ((z(1)-z(2))*(y(1)-y(3)) - (z(1)-z(3))*(y(1)-y(2)))/((x(1)-x(2))*(y(1)-y(3)) - (x(1)-x(3))*(y(1)-y(2)));
b = ((z(1) - z(3)) - a * (x(1) - x(3)))/(y(1)-y(3));
c = z(1) - a * x(1) - b * y(1);
plane = [a b -1 c]
mask=abs(plane*[data; ones(1,size(data,2))]); %求每个数据到拟合平面的距离
total=sum(mask<sigma); %计算数据距离平面小于一定阈值的数据的个数
if total>pretotal %找到符合拟合平面数据最多的拟合平面
pretotal=total;
bestplane=plane; %找到最好的拟合平面
end
end
%显示符合最佳拟合的数据
mask=abs(bestplane*[data; ones(1,size(data,2))])<sigma;
hold on;
k = 1;
for i=1:length(mask)
if mask(i)
inliers(1,k) = data(1,i);
inliers(2,k) = data(2,i);
plot3(data(1,i),data(2,i),data(3,i),'r+');
k = k+1;
end
end
%%% 绘制最佳匹配平面
bestParameter1 = bestplane(1);
bestParameter2 = bestplane(2);
bestParameter3 = bestplane(4);
xAxis = min(inliers(1,:)):max(inliers(1,:));
yAxis = min(inliers(2,:)):max(inliers(2,:));
[x,y] = meshgrid(xAxis, yAxis);
z = bestParameter1 * x + bestParameter2 * y + bestParameter3;
surf(x, y, z);
title(['bestPlane: z = ',num2str(bestParameter1),'x + ',num2str(bestParameter2),'y + ',num2str(bestParameter3)]);
在编程中，我们知道三个空间点之后，可以用 [uu, dd, vv] = svd(A); plane = vv(:,end); plane = plane ./ plane(end); plane = plane’;来快速求解法向量，确定一个空间平面。
from：https://blog.csdn.net/u010128736/article/details/53422070
3、MATLAB中的圆柱拟合：初始模型参数表示为[x，y，z，dx，dy，dz，r]。其中（x，y，z）是圆柱中心轴上的一个点，（dx，dy，dz）指定轴的方向，r是半径。
- 第一步：每次随机选两个点P0,P1，这两个点在拟合圆柱的表面上。用于拟合中心轴和半径：
输入是2*6的矩阵，每行代表一个样本，每行的前3列代表x,y,z,后三行代表该点的法向量。
function model = fitCylinder(points)
p1 = points(1,1:3);
n1 = points(1,4:6);
p2 = points(2,1:3);
n2 = points(2,4:6);
w = p1 + n1 - p2;
a = n1 * n1';%模
b = n1 * n2';%点乘
c = n2 * n2';%模
d = n1 * w';
e = n2 * w';
D = a * c - b * b;
if abs(D) < 1e-5
s = 0;
if b > c
t = d / b;
else
t = e / c;
end
else
s = (b * e - c * d) / D;
t = (a * e - b * d) / D;
end
% P0 is a point on the axis
p0 = p1 + n1 + s * n1;
% dp is a normalized vector for the direction of the axis
dp = p2 + t * n2 - p0;%（p2 + t * n2） - p0
dp = dp / norm(dp);
p1p0 = p1 - p0;
p2p1 = dp;
c = [p1p0(2)*p2p1(3) - p1p0(3)*p2p1(2), ...
p1p0(3)*p2p1(1) - p1p0(1)*p2p1(3), ...
p1p0(1)*p2p1(2) - p1p0(2)*p2p1(1)];%就是p1p0,p2p1两向量的叉乘，a*b*cos,模表示两向量围成的平行四边形的面积
% p2p1 is a unit vector, so the denominator is not needed ，p2p1是单位向量，模为1，
r = sqrt(sum(c.*c, 2));%即c的模（面积）就是高，也就是半径
model = [p0, dp, r];
- 第二步：根据模型参数，然后求全体点云中的每个点P0到中心轴的距离。
function dis = evalCylinder(model, points)
p1p0 = [points(:,1)-model(1), points(:,2)-model(2), points(:,3)-model(3)];
p2p1 = model(4:6);
c = [p1p0(:,2)*p2p1(3) - p1p0(:,3)*p2p1(2), ...
p1p0(:,3)*p2p1(1) - p1p0(:,1)*p2p1(3), ...
p1p0(:,1)*p2p1(2) - p1p0(:,2)*p2p1(1)];
% p2p1 is a unit vector, so the denominator is not needed
D = sum(c.*c, 2);
dis = abs(sqrt(D) - model(7));#求得是误差error
- 第三步：计算损失，通过总损失来衡量模型的拟合好坏
% Evaluate model with truncated loss评估具有截断损失
dis = evalFunc(modelParams, allPoints);
dis(dis > threshold) = threshold;
accDis = sum(dis);
实例：
points=[1,1,0,1,0,0;1,2,0,1,0,0]
p1 = points(1,1:3);
n1 = points(1,4:6);
p2 = points(2,1:3);
n2 = points(2,4:6);
w = p1 + n1 - p2;
a = n1 * n1';%模
b = n1 * n2';%点乘，标量
c = n2 * n2';%模
d = n1 * w';
e = n2 * w';
D = a * c - b * b;
if abs(D) < 1e-5
s = 0;
if b > c
t = d / b;
else
t = e / c;
end
else
s = (b * e - c * d) / D;
t = (a * e - b * d) / D;
end
% P0 is a point on the axis
p0 = p1 + n1 + s * n1;
% dp is a normalized vector for the direction of the axis
dp = p2 + t * n2 - p0;%（p2 + t * n2） - p0
dp = dp / norm(dp);
p1p0 = p1 - p0;
p2p1 = dp;
c = [p1p0(2)*p2p1(3) - p1p0(3)*p2p1(2), ...
p1p0(3)*p2p1(1) - p1p0(1)*p2p1(3), ...
p1p0(1)*p2p1(2) - p1p0(2)*p2p1(1)];%就是p1p0,p2p1两向量的叉乘，a*b*sin,模表示两向量围成的平行四边形的面积
% p2p1 is a unit vector, so the denominator is not needed ，p2p1是单位向量，模为1，
r = sqrt(sum(c.*c, 2));%求c的模（表示两向量围成的平行四边形的面积）因为这里p2p1是单位向量，所以面积就是高，也就是半径
model = [p0, dp, r];
不行，还是看不懂MATLAB到底是怎么拟合圆柱了，求助！！！会的请留言给我，谢谢
圆柱拟合：
由圆柱面的几何特性可得，圆柱面上的点到其轴线的距离恒等于半径 r0，其中，P 为圆柱面上任意一点，P0( x0，y0，z0) 为圆柱轴线上一点， ( a，b，c) 为圆柱轴线向量，r0为圆柱底圆半径。圆柱面上任意一点到其轴线的距离为半径 r0，即:
求出这七个参数，就可以唯一确定一个圆柱。
圆柱拟合步骤主要包括两步: 一是确定柱面模型参数初始值; 二是建立误差方程式求解参数值。本文算法结合主成分分析法与线性最小二乘法，确定圆 柱 轴 线 向 量 ( a，b，c) 、圆 柱 轴 线 上 一 点( x1，y1，z1) 、圆柱底圆半径 r 这七个柱面模型参数初始值，再建立改进误差方程式，求解参数。
本文柱面拟合方法详细步骤如下:
1、确定柱面模型参数初始值。
搜寻圆柱面上任意一点的若干邻近点，将这些点拟合成平面，得到的平面法向量单位化即该点的单位法向量。对圆柱面上每个点处理，得到每个点的单位法向量。将每个点的单位法向量看成点，将这些点拟合成平面，得到平面法向量，即圆柱轴线向量初始值 a0、b0、c0，该步骤使用了主成分分析法进行求解。（这一步和matlab源码很相似，matlab使用两个点，及它们的法向量来拟合圆柱。） 得到轴线后，对圆柱进行坐标转换，使圆柱轴线向量 ( a0，b0，c0) 变 换 为 平 行 Z 轴 的 向 量 ，这样圆柱面上的点的（x,y）坐标就是一个平面圆形，用他们拟合圆心，即( x1，y1，z1)和半径r.
2、建立误差方程。
将误差方程写成矩阵形式，要让V最小，接近0：
from：https://www.cnblogs.com/wangkundentisy/p/7505487.html
用最小二乘法求解， Ax=0的最小二乘解，即为求解的最小特征值对应的特征向量。这是一个循环的迭代过程，每一次迭代过程中代入的初值都等于上一次的初值加上求出的 X 的改正值，当 X 的数值小到满足要求的精度时退出迭代。
代码：
for (int i = 0; i < size; i++) {
float x = cloud_in->points[i].x;
float y = cloud_in->points[i].y;
float z = cloud_in->points[i].z;
f0 = pow(x - x0, 2) + pow(y - y0, 2) + pow(z - z0, 2) - pow((a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0)), 2) - r0 * r0;
L(i, 0) = -f0;
B(i, 0) = (a0 * (a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0)) - (x - x0)) * 2;
B(i, 1) = (b0 * (a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0)) - (y - y0)) * 2;
B(i, 2) = (c0 * (a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0)) - (z - z0)) * 2;
B(i, 3) = -(a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0))*(x - x0) * 2;
B(i, 4) = -(a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0))*(y - y0) * 2;
B(i, 5) = -(a0*(x - x0) + b0 * (y - y0) + c0 * (z - z0))*(z - z0) * 2;
B(i, 6) = -2*r0;
}
X = B.colPivHouseholderQr().solve(L);，求解 L=BX，用最小二乘法求解X。
PCL实现：
PCL库自带的圆柱模型拟合，由于在查找最佳圆柱面的过程中会过滤很多点，因此考虑利用最小二乘的模型来拟合最接近实际点云的一个圆柱面，code如下：
#include "pch.h"
#include <iostream>
#include<pcl/io/pcd_io.h>
#include<pcl/point_types.h>
#include<pcl/point_cloud.h>
#include<pcl/segmentation/sac_segmentation.h>
#include<pcl/search/search.h>
#include<pcl/search/kdtree.h>
#include<pcl/features/normal_3d.h>
#include<pcl/common/common.h>
// use ransanc to fit cylinder
int fitCylinder(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in, pcl::PointCloud<pcl::PointXYZ>::Ptr &cloud_out) {
// Create segmentation object for cylinder segmentation and set all the parameters
pcl::ModelCoefficients::Ptr coeffients_cylinder(new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers_cylinder(new pcl::PointIndices);
// Normals
pcl::search::Search<pcl::PointXYZ>::Ptr tree = boost::shared_ptr<pcl::search::Search<pcl::PointXYZ>>(new pcl::search::KdTree<pcl::PointXYZ>);
pcl::PointCloud<pcl::Normal>::Ptr normalsFilter(new pcl::PointCloud<pcl::Normal>);
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normalEstimator;
normalEstimator.setSearchMethod(tree);
normalEstimator.setInputCloud(cloud_in);
normalEstimator.setKSearch(30);
normalEstimator.compute(*normalsFilter);
pcl::SACSegmentationFromNormals<pcl::PointXYZ, pcl::Normal> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_CYLINDER);
seg.setMethodType(pcl::SAC_RANSAC);
//seg.setNormalDistanceWeight(0.1);
seg.setNormalDistanceWeight(0.2); // for coarse data
seg.setMaxIterations(1000);
seg.setDistanceThreshold(0.3);
seg.setRadiusLimits(0, 6); // radius is within 8 centimeters
seg.setInputCloud(cloud_in);
seg.setInputNormals(normalsFilter);
// Perform segment
seg.segment(*inliers_cylinder, *coeffients_cylinder);
std::cerr << "Cylinder coefficient: " << *coeffients_cylinder << std::endl;
// Ouput extracted cylinder
pcl::ExtractIndices<pcl::PointXYZ> extract;
extract.setInputCloud(cloud_in);
extract.setIndices(inliers_cylinder);
extract.filter(*cloud_out);
pcl::PCDWriter wr;
wr.write("Extract_Cylinder.pcd", *cloud_out);
float sum_D = 0.0;
float sum_Ave = 0.0;
float x0 = coeffients_cylinder->values[0];
float y0 = coeffients_cylinder->values[1];
float z0 = coeffients_cylinder->values[2];
float l = coeffients_cylinder->values[3];
**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！**
**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**
**[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618668825)**
0 = coeffients_cylinder->values[1];
float z0 = coeffients_cylinder->values[2];
float l = coeffients_cylinder->values[3];
[外链图片转存中...(img-VMx0vtjZ-1715553464869)]
[外链图片转存中...(img-753MyzeO-1715553464869)]
**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！**
**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**
**[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618668825)**
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
