第五周PCL学习（五）

最新推荐文章于 2023-08-15 10:09:58 发布
最新推荐文章于 2023-08-15 10:09:58 发布
阅读量405 收藏 3
点赞数
分类专栏： PCL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/longer88888/article/details/104928881
版权
一、采样一致性算法
1.1 概述
1.2 目的和意义

目的：用于排除错误的样本，样本不同对应的应用则不同，例如剔除错误的配准点对、分割出处在模型上的点集等。

1.3 方法总结

在计算机视觉领域广泛应用各种不同的采样一致性参数估计算法 PCL 中以随机采样一致性算法(RANSAC)为核心，同时实现了五种类似于随机采样一致性估计参数算法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。

（1）RANSAC的原理讲解
(a) RANSAC的引入【引用参考文献2】

RANSAC是“RANdom Sample Consensus（随机抽样一致）”的缩写。
它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；
为了提高概率必须提高迭代次数。

数据分两种：有效数据（inliers）和 无效数据（outliers）。
偏差不大的数据称为有效数据，偏差大的数据是无效数据。

如果有效数据占大多数，无效数据只是少量时，我们可以通过最小二乘法或类似的方法来确定模型的参数和误差；
如果无效数据很多（比如超过了50%的数据都是无效数据），最小二乘法就 失效了，我们需要新的算法。

所以我们提出了RANSAC算法。下面通过一个例子来介绍。

一个简单的例子是从一组观测数据中找出合适的2维直线。假设观测数据中包含局内点和局外点，其中局内点近似的被直线所通过，而局外点远离于直线。
简单的最小二乘法不能找到适应于局内点的直线，原因是最小二乘法尽量去适应包括局外点在内的所有点。
相反，RANSAC能得出一个仅仅用局内点计算出模型，并且概 率还足够高。但是，RANSAC并不能保证结果一定正确，为了保证算法有足够高的合理概率，我们必须小心的选择算法的参数。包含很多局外点的数据集 RANSAC找到的直线（局外点并不影响结果)

（b）RANSAC算法

RANSAC算法的输入是一组观测数据，一个可以解释或者适应于观测数据的参数化模型，一些可信的参数。
RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点

并用下述方法进行验证：

  1. 有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。
  2. 用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。
  3. 如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。
  4. 然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。
  5. 最后，通过估计局内点与模型的错误率来评估模型。
（c）伪代码
输入
data —— 一组观测数据
model —— 适应于数据的模型
n —— 适用于模型的最少数据个数
k —— 算法的迭代次数
t —— 用于决定数据是否适应于模型的阀值
d —— 判定模型是否适用于数据集的数据数目
best_model —— 跟数据最匹配的模型参数（如果没有找到好的模型，返回null）
best_consensus_set —— 估计出模型的数据点
best_error —— 跟数据相关的估计出的模型错误

输出
开始：
iterations = 0
best_model = null
best_consensus_set = null
best_error = 无穷大
while ( iterations < k )
    maybe_inliers = 从数据集中随机选择n个点
    maybe_model = 适合于maybe_inliers的模型参数
    consensus_set = maybe_inliers
    for ( 每个数据集中不属于maybe_inliers的点 ）
    if ( 如果点适合于maybe_model，且错误小于t ）
      将点添加到consensus_set
    if （ consensus_set中的元素数目大于d ）
    已经找到了好的模型，现在测试该模型到底有多好
    better_model = 适合于consensus_set中所有点的模型参数
    this_error = better_model究竟如何适合这些点的度量
    if ( this_error < best_error )
      我们发现了比以前好的模型，保存该模型直到更好的模型出现
      best_model =  better_model
      best_consensus_set = consensus_set
      best_error =  this_error
    增加迭代次数
返回 best_model, best_consensus_set, best_error
（2）最大似然一致性估计(MLESAC)
（a）算法描述
(3) 最小中值法LMEDS
（a）算法描述

LMedS的做法很简单，就是从样本中随机抽出N个样本子集，使用最大似然（通常是最小二乘）对每个子集计算模型参数和该模型的偏差，记录该模型参数及子集中所有样本中偏差居中的那个样本的偏差（即Med偏差），
最后选取N个样本子集中Med偏差最小的所对应的模型参数作为我们要估计的模型参数。
但是与RANSAC不同的是，LMedS记录的是所有样本中偏差值居中的那个样本的偏差，称为Med偏差（这也是LMedS中Med的由来），以及本次计算得到的模型参数。
由于这一变化，LMedS不需要预先设定阅值来区分inliers和outliers。重复前面的过程N次，从中N个Med偏差中挑选出最小的一个，其对应的模型参数就是最终的模型参数估计值。其中迭代次数N是由样本子集中样本的个数、期望的模型误差、事先估计的样本中outliers的比例所决定。
LMedS理论上也可以剔除outliers的影响，并得到全局最优的参数估计，而且克服了RANSAC的两个缺点（虽然 LMedS也需要实现设定样本中outliers的比例，

1.4 实验部分
（1）使用采样采样一致化
采样一致化的步骤：
1. SampleConsensus (const SampleConsensusModelPtr &model, double threshold, bool random=false)
  其中model设置随机采样性算法使用的模型，threshold 阀值 
2.设置模型      void     setSampleConsensusModel (const SampleConsensusModelPtr &model)
3.设置距离阈值  void     setDistanceThreshold (double threshold)
4.获取距离阈值  double   getDistanceThreshold ()
5.设置最大迭代次数 void  setMaxIterations (int max_iterations)
6.获取最大迭代次数 int   getMaxIterations ()

#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/visualization/pcl_visualizer.h>     // 可视化
#include <pcl/filters/extract_indices.h>//按索引提取点云
#include <boost/make_shared.hpp>
int
main(int argc, char** argv)
{
	// 新建点云 
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	// 随机生成点云
	cloud->width = 15;
	cloud->height = 1;//无序点云
	cloud->points.resize(cloud->width * cloud->height);
	// 生成
	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;//都在z＝１平面上
	}

	// 设置一些外点 , 即重新设置几个点的z值，使其偏离z为1的平面
	cloud->points[0].z = 2.0;
	cloud->points[3].z = -2.0;
	cloud->points[6].z = 4.0;
	// 打印点云信息
	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;
	// 模型系数
	pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
	pcl::PointIndices::Ptr inliers(new pcl::PointIndices);//内点索引
   // pcl::PointIndices::Ptr outliers (new pcl::PointIndices);//外点索引
  // 创建一个点云分割对象
	pcl::SACSegmentation<pcl::PointXYZ> seg;
	// 是否优化模型系数
	seg.setOptimizeCoefficients(true);
	// 设置模型　和　采样方法
	seg.setModelType(pcl::SACMODEL_PLANE);//　平面模型
	seg.setMethodType(pcl::SAC_RANSAC);// 随机采样一致性算法
	seg.setDistanceThreshold(0.01);//是否在平面上的阈值

	seg.setInputCloud(cloud);//输入点云
	seg.segment(*inliers, *coefficients);//分割　得到平面系数　已经在平面上的点的　索引
   // seg.setNegative(true);//设置提取内点而非外点
	//seg.segment(*inliers, *coefficients);//分割　得到平面系数　已经在平面上的点的　索引

	if (inliers->indices.size() == 0)
	{
		PCL_ERROR("Could not estimate a planar model for the given dataset.");
		return (-1);
	}
	// 打印平面系数
	std::cerr << "Model coefficients: " << coefficients->values[0] << " "
		<< coefficients->values[1] << " "
		<< coefficients->values[2] << " "
		<< coefficients->values[3] << std::endl;
	//打印平面上的点
	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;


	// 3D点云显示 源点云　绿色
	pcl::visualization::PCLVisualizer viewer("3D Viewer");
	viewer.setBackgroundColor(255, 255, 255);//背景颜色　白色
	//pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_handler(cloud, 1.0, 1.0, 0.0);
	//viewer.addPointCloud (cloud, color_handler, "raw point");//添加点云
	//viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "raw point");
	//viewer.addCoordinateSystem (1.0);
	viewer.initCameraParameters();

	//按照索引提取点云　　内点
	pcl::ExtractIndices<pcl::PointXYZ> extract_indices;//索引提取器
	extract_indices.setIndices(boost::make_shared<const pcl::PointIndices>(*inliers));//设置索引
	extract_indices.setInputCloud(cloud);//设置输入点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr output(new pcl::PointCloud<pcl::PointXYZ>);
	extract_indices.filter(*output);//提取对于索引的点云 内点
	std::cerr << "output point size : " << output->points.size() << std::endl;

	//平面上的点云　红色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> output_handler(output, 255, 0, 0);
	viewer.addPointCloud(output, output_handler, "plan point");//添加点云
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "plan point");


	//　外点　绿色
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_other(new pcl::PointCloud<pcl::PointXYZ>);
	// *cloud_other = *cloud - *output;
	// 移去平面局内点，提取剩余点云
	extract_indices.setNegative(true);
	extract_indices.filter(*cloud_other);
	std::cerr << "other point size : " << cloud_other->points.size() << std::endl;

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_other_handler(cloud_other, 0, 255, 0);
	viewer.addPointCloud(cloud_other, cloud_other_handler, "other point");//添加点云
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "other point");


	while (!viewer.wasStopped()) {
		viewer.spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(1000));
	}

	return (0);
}

运行结果
在这里插入图片描述

./random_sample_consensus.exe -s，可以看出菱形中有一部分是局外点
在这里插入图片描述
./random_sample_consensus.exe -f 展示菱形，包括了局外点和局内点
在这里插入图片描述
./random_sample_consensus.exe -sf 展示1/4球
在这里插入图片描述

（2） 使用采样一致化分割平面
/*
平面模型分割， 基于随机采样一致性
*/
#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/visualization/pcl_visualizer.h>     // 可视化
#include <pcl/filters/extract_indices.h>//按索引提取点云
#include <boost/make_shared.hpp>
int
main(int argc, char** argv)
{
	// 新建点云 
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	// 随机生成点云
	cloud->width = 100;
	cloud->height = 1;//无序点云
	cloud->points.resize(cloud->width * cloud->height);
	// 生成
	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;//都在z＝１平面上
	}

	// 设置一些外点 , 即重新设置几个点的z值，使其偏离z为1的平面
	cloud->points[0].z = 20.0;
	cloud->points[3].z = -20.0;
	cloud->points[6].z = 40.0;
	cloud->points[10].z = 40.0;
	cloud->points[20].z = 40.0;
	// 打印点云信息
	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;
	// 模型系数
	pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
	pcl::PointIndices::Ptr inliers(new pcl::PointIndices);//内点索引
   // pcl::PointIndices::Ptr outliers (new pcl::PointIndices);//外点索引
  // 创建一个点云分割对象
	pcl::SACSegmentation<pcl::PointXYZ> seg;
	// 是否优化模型系数
	seg.setOptimizeCoefficients(true);
	// 设置模型　和　采样方法
	seg.setModelType(pcl::SACMODEL_PLANE);//　平面模型
	seg.setMethodType(pcl::SAC_RANSAC);// 随机采样一致性算法
	seg.setDistanceThreshold(0.01);//是否在平面上的阈值

	seg.setInputCloud(cloud);//输入点云
	seg.segment(*inliers, *coefficients);//分割　得到平面系数　已经在平面上的点的　索引
   // seg.setNegative(true);//设置提取内点而非外点
	//seg.segment(*inliers, *coefficients);//分割　得到平面系数　已经在平面上的点的　索引

	if (inliers->indices.size() == 0)
	{
		PCL_ERROR("Could not estimate a planar model for the given dataset.");
		return (-1);
	}
	// 打印平面系数
	std::cerr << "Model coefficients: " << coefficients->values[0] << " "
		<< coefficients->values[1] << " "
		<< coefficients->values[2] << " "
		<< coefficients->values[3] << std::endl;
	//打印平面上的点
	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;


	// 3D点云显示 源点云　绿色
	pcl::visualization::PCLVisualizer viewer("3D Viewer");
	viewer.setBackgroundColor(255, 255, 255);//背景颜色　白色
	//pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color_handler(cloud, 1.0, 1.0, 0.0);
	//viewer.addPointCloud (cloud, color_handler, "raw point");//添加点云
	//viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "raw point");
	//viewer.addCoordinateSystem (1.0);
	viewer.initCameraParameters();

	//按照索引提取点云　　内点
	pcl::ExtractIndices<pcl::PointXYZ> extract_indices;//索引提取器
	extract_indices.setIndices(boost::make_shared<const pcl::PointIndices>(*inliers));//设置索引
	extract_indices.setInputCloud(cloud);//设置输入点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr output(new pcl::PointCloud<pcl::PointXYZ>);
	extract_indices.filter(*output);//提取对于索引的点云 内点
	std::cerr << "output point size : " << output->points.size() << std::endl;

	//平面上的点云　红色
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> output_handler(output, 255, 0, 0);
	viewer.addPointCloud(output, output_handler, "plan point");//添加点云
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "plan point");


	//　外点　绿色
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_other(new pcl::PointCloud<pcl::PointXYZ>);
	// *cloud_other = *cloud - *output;
	// 移去平面局内点，提取剩余点云
	extract_indices.setNegative(true);
	extract_indices.filter(*cloud_other);
	std::cerr << "other point size : " << cloud_other->points.size() << std::endl;

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_other_handler(cloud_other, 0, 255, 0);
	viewer.addPointCloud(cloud_other, cloud_other_handler, "other point");//添加点云
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 8, "other point");


	while (!viewer.wasStopped()) {
		viewer.spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return (0);
}

运行结果，这五个绿色点则是局外点，按照平面进行切割后，展示的结果。
在这里插入图片描述

二、参考补充

1、SIFT补充（这篇博客包含了SIFT的原理介绍以及代码演示，还有资料总结，很值得看）
2、PCL 点云分割与分类（这篇博客讲到了RANSAC的原理和各种分割方法原理）
3、RANSAC的讲解（这篇博客中详细说明了内点和外点，还有关于算法的描述）

longer88888
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCL :实现随机选取一点并计算距离它最远的点(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
09-17 105
PCL :实现随机选取一点并计算距离它最远的点(附完整源码)
PCL深度图像(2)
萝卜的博客
07-21 496
https://www.cnblogs.com/li-yao7758258/p/6476046.html   所以我们知道有规则及必要信息就可以反算为深度图像。那么我们就可以直接创建一个有序的规则的点云，比如一张平面，或者我们直接使用Kinect获取的点云来可视化深度的图，所以首先分析程序中是如果实现的点云到深度图的转变的，（程序的注释是我自己的理解，注释的比较详细） #include...
PCL学习笔记(39)——点云一致性分割算法SACSegmentation
Christo的博客
09-23 4164
源码 #include <iostream> #include <pcl/ModelCoefficients.h> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/model_types.h> #include <
PCL学习十：Segmentation-分割
qq_42994487的博客
05-11 2186
PCL学习十：Segmentation-分割
ROS::点云PCL(6)随机采样一致性算法RANSAC *
weixin_43928944的博客
05-05 1391
场景 平面模型经常被应用到常见的室内平面分割提取中，比如墙、地板、桌面，其他模型常应用到根据几何结构检测识别和分割物体（比如用一个圆柱体模型分割出一个杯子）。 可用模型 这些模型有圆柱、线、圆等基本的一些形状可以直接使用，通过这些模型去分割点云。 RANSAC概念及作用 RANSAC是“RANdom SAmple Consensus”（随机抽样共识或采样一致性）的缩写，它是一种迭代方法，用于从包含异常值的一组数据中估计数学模型的参数。该算法由Fischler和Bolles于1981年发布。 RANSAC算
PCL学习笔记（二十四）-- PCL实现平面模型分割
不学会C++不改名
07-28 2078
一、简介 PCL中Segementation库提供了点云分割的基础数据结构和部分通用的分割算法，目前实现的算法主要是基于聚类分割思想和基于随机采样一致性的分割算法，这些算法适用于将由多个空间分布独立的区域组成的点云分割成格子独立的点云子集，或者提取出特定的模型的点云数据，以便后续处理。 二、代码分析 1）创建点云数据然后再屏幕上打印这些点的坐标值，为了达到本教程的目的，在数据中手动添加几个局外点，并设置它们的z值不为1，即不在z = 1所在的平面上的点作为局外点，在z = 1平面上的点...
PCL学习笔记.pdf
06-21
文档的标签为“pcl点云库 pcl点云学习笔记”，这表明文档专注于点云库的学习，特别强调了PCL库的应用。 ### 基本步骤 文档中提到的基本步骤为新建一个点云处理项目，其中需要明确目标和了解能够实现该目标的PCL库...
点云PCL学习.zip
06-14
点云处理技术是计算机视觉和三维重建领域中的...总之，点云PCL学习不仅涉及点云的基本概念和处理技巧，还包括了丰富的算法和工具，通过深入学习和实践，你可以掌握这个强大的工具，为你的项目带来精确的三维感知能力。
PCL学习实战学习练习内容
02-09
PCL学习实战学习练习内容 Software Windows 10 Visual Studio 2013 PCL 1.8.0 OpenCV 2.4.13 Contents pcd: 供参考的PCD文件。 ex1: 读取CSV文件，根据参数畸变矫正，转世界坐标系后PCL显示结果。 ex2: 不同滤波...
PCL学习教程
12-11
**PCL学习教程** PCL（Point Cloud Library）是一个开源的C++库，专注于三维点云数据处理。它提供了一整套工具，用于处理从采集设备（如激光雷达、立体相机等）获取的大量三维点云数据。PCL库包含了各种模块，包括...
在PCL中实现欧氏聚类提取
HERO_CJN的博客
05-02 8508
1、数据集table_scene_lms400.pcd2、代码#include <pcl/ModelCoefficients.h> #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <pcl/filters/extract_indices.h> #include <pcl/filters/voxel_grid.h> #i
PCL 方向向量约束的RANSAC拟合平面
热门推荐
点云侠的博客
03-14 36万+
夹角约束的RANSAC拟合平面
PCL 随机采样一致性 --识别球面和平面
月照银海似蛟龙的博客
09-01 1787
PCL 随机采样一致性--识别球面和平面前言随机采样一致性算法（RANSAC）PCL中的 Sample_consensus 模块PCL中Sample_consensus模块支持的几何模型SACMODEL_PLANE 模型SACMODEL_LINE 模型其它模型之后再补充CodeResult应用 前言 在计算机视觉领域广泛的使用各种不同的采样一致性参数估计算法用于排除错误的样本，样本不同对应的应用不同。 其功能 例如 剔除错误的配准点对，分割出处在模型上的点集 PCL中以随机采样一致性算法（RANSAC）为
PCL教程-点云分割之平面模型分割
DayDayUp
09-07 7315
原文链接：https://pcl.readthedocs.io/projects/tutorials/en/latest/planar_segmentation.html#planar-segmentation 基于RANSAC的基本检测算法虽然具有较高的鲁棒性和效率，但是目前仅针对平面，球，圆柱体，圆锥和圆环物种基本的基元。 在本次教程中，我们将学习对一组点云做简单的平面分割，也就是在点云中找到组成平面模型的所有点。 ...
基于CloudCompare和PCL的随机点选方法
最新发布
ByteEchoX的博客
08-15 90
通过加载点云数据并使用随机点选过滤器对象，我们可以有效地从原始点云中选择指定数量的随机点。通过CloudCompare的可视化功能，我们可以验证所选点云的正确性。通过使用开源软件库如CloudCompare和PCL（点云库），我们可以实现随机点选功能。然后，我们设置了要选择的点的数量和采样比例，并创建了一个随机点选过滤器对象。最后，我们执行了随机点选操作并获得了选取的点云。希望本文能帮助你了解如何使用CloudCompare和PCL进行随机点选，并为你的计算机视觉和三维重建项目提供一些启示。
PCL学习笔记5-sample consensus采样一致性算法
luoyihao123456的博客
06-13 445
RANSAC
PCL：在平面模型上构造凸凹多边形
qq_36418943的博客
11-02 599
#include <pcl/ModelCoefficients.h> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/mode...
PCL_随机采样一致性random-sample-consensus
yamgyutou的博客
04-02 988
参考：https://www.cnblogs.com/li-yao7758258/p/6477007.html 随机采样一致性算法应用广泛，如剔除错误的配准点对、分割等。本教程采用随机采样一致性算法（RANSAC）从一组含有“局外点”的数据中，通过迭代方式估计数学模型的参数。https://www.cnblogs.com/li-yao7758258/p/6477007.html中有代码。 实验...
Prior-MLESAC
07-27
Prior-MLESAC是一种用于鲁棒估计的方法，它结合了先验信息和最大似然估计。在Prior-MLESAC中，先验信息被用来指导采样过程，以提高估计的准确性和鲁棒性。这种方法可以应用于多种运动模型，如基本矩阵、仿射基本矩阵、本质矩阵、单应矩阵/投影矩阵或仿射变换。\[2\]然而，需要注意的是，当摄像机前面的动态物体占主导地位或者拍摄场景被一个大的移动物体遮挡时，这种方法可能会失败。\[3\]此外，Prior-MLESAC不能按顺序运行，因为它需要整个序列的可用数据才能进行处理，通常以批处理模式运行。\[1\] #### 引用[.reference_title] - *1* *2* *3* [【论文阅读】28-Visual SLAM and Structure from Motion in Dynamic Environments: A Survey](https://blog.csdn.net/weixin_41109672/article/details/122910581)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值