PCL RANSAC采样一致性算法

一直想了解一下RANSAC算法的一些原理，所以就趁着自己闲了下来整理了一下，做了这篇笔记。

一、简介

RANSAC是一种随机参数估计算法。RANSAC从样本中随机抽选出一个样本子集，使用最小方差估计算法对这个子集计算模型参数，然后计算所有样本与该模型的偏差，再使用一个预先设定好的阈值与偏差比较，当偏差小于阈值时，该样本点属于模型内样本点(内点),否则就是外样本点(外点)。记录当前的内点的个数，然后重复上述的过程，直到模型中的内点达到最多，那么此时的模型参数即为最佳模型参数。从上述的过程我们不难看出，该方法是一个不断进行采样的过程，这也是其名字的由来：随机采样一致性算法。

RANSAC算法理论上可以剔除外点的影响，并且得到全局最优的参数估计。不过该算法涉及到了两个问题，第一就是怎样区分内点和外点，这需要某种判断条件；第二就是该算法的迭代次数并不是我们一开始就可以设置好的，其是在运行中被决定的。

二、PCL中的RANSAC

PCL中的sample_consensus模块实现了随机采样一致性以及其他的改良（或变种）算法
，具体的内容可以参看PCL的官方文档。