RANSAC - 随机采样一致性算法

转载：http://blog.csdn.net/shoreman/article/details/11018191

RANSAC范例的正式描述如下：

首先，要给定：

         1一个模型，该模型需要最少n个数据点去实例化它的自由参数；

         2一组数据点P，P中包含数据点的数量#(P)大于n。

然后，

从P中随机地选择n个点（组成P的一个子集S1）并实例化这个模型（构造成M1）。

接下来，

         利用实例化的模型M1去测定P中点的某个子集S1*，这些点相对于M1的错误被限制在一个给定的阈值下，其中S1*被称作S1的一致性集合。

         或者：

         利用实例化的模型M1去逐个测定P中的其它点，舍掉那些偏离M1较大的点，保留那些偏离M1较小的点并组成一个集合S1*，该集合被称作S1的一致性集合。

接下来的步骤要对S1*中点的数量#(S1*)进行条件判定：

         if( #(S1*) >= t )         // t是一个阈值，是P中离群点（相对于M1）数量的估计函数

         {

                   利用S1*（+S1）去计算一个新的模型M1*；// 例如用最小二乘法

         }

         if( #(S1*) < t )

         {

                   随机地选择一个新的子集S2，并重复以上过程；

                   如果，

在几次预定义的实验次数之后，找到的一致性集合含有点的数量总是小于t；

                   那么，

要么使用已经找到的最大的一致性集合去解决这个模型；

                              要么以失败来终结掉这个算法。

}

代码

#include <iostream>
#include <pcl/ModelCoefficients.h>  //模型系数
#include <pcl/io/pcd_io.h>                  //输入输出
#include <pcl/point_types.h>                //点云（类型）
#include <pcl/sample_consensus/method_types.h>  //随机样本一致性算法 方法类型
#include <pcl/sample_consensus/model_types.h>       //随机样本一致性算法 模型类型
#include <pcl/segmentation/sac_segmentation.h>  //随机样本一致性算法 分割方法

int
main (int argc, char** argv)
{
  pcl::PointCloud<pcl::PointXYZ> cloud; //创建点云对象，用于存储点云数据
    //填充点云数据
    cloud.width  = 15;
  cloud.height = 1;
  cloud.points.resize (cloud.width * cloud.height);

    //生成随机数据
    for (size_t i = 0; i < cloud.points.size (); ++i)
  {
    cloud.points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);
    cloud.points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);
    cloud.points[i].z = 1.0;
  }

    //设置几个局外点
    cloud.points[0].z = 2.0;
    cloud.points[3].z = -2.0;
    cloud.points[6].z = 4.0;
    //显示点云数量和坐标信息
  std::cerr << "Point cloud data: " << cloud.points.size () <<" points" << std::endl;
    for (size_t i = 0; i < cloud.points.size (); ++i)
        std::cerr << "    " << cloud.points[i].x << " " 
                            << cloud.points[i].y << " " 
                            << cloud.points[i].z << std::endl;

    pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients); //存储输出的模型的系数
    pcl::PointIndices::Ptr inliers (new pcl::PointIndices); //存储内点，使用的点

    //创建分割对象
  pcl::SACSegmentation<pcl::PointXYZ> seg;
    //可选设置
  seg.setOptimizeCoefficients (true);
    //必须设置
    seg.setModelType (pcl::SACMODEL_PLANE); //设置模型类型，检测平面
  seg.setMethodType (pcl::SAC_RANSAC);      //设置方法【聚类或随机样本一致性】
  seg.setDistanceThreshold (0.01);
  seg.setInputCloud (cloud.makeShared ());
  seg.segment (*inliers, *coefficients);    //分割操作

    if (inliers->indices.size () == 0)//根据内点数量，判断是否成功
    {

    PCL_ERROR ("Could not estimate a planar model for the given dataset.");
        return (-1);
  }
    //显示模型的系数
  std::cerr << "Model coefficients: " << coefficients->values[0] << " " 
                        <<coefficients->values[1] << " "
                        <<coefficients->values[2] << " " 
                        <<coefficients->values[3] <<std::endl;
    //显示估计平面模型过程中使用的内点
  std::cerr << "Model inliers: " << inliers->indices.size () << std::endl;
    for (size_t i = 0; i < inliers->indices.size (); ++i)
            std::cerr << inliers->indices[i] << "    " <<cloud.points[inliers->indices[i]].x << " "
                                <<cloud.points[inliers->indices[i]].y << " "
                                <<cloud.points[inliers->indices[i]].z << std::endl;
    return (0);
}

 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

运行结果