随机采样一致性算法-------PCL

随机采样一致性算法

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 ( inliers），或称内部点、局内点或内点，否则为模型外样本点（outliers），或称外部点、局外点或外点，记录下当前的 inliers 的个数，然后重复这一过程。每一次重复都记录当前最佳的模型参数，所谓最佳即是inliers的个数最多 ，此时对应的inliers个数为 best_ninliers 。 每次迭代的末尾都会根据期望的误差率、 best_ninliers、总样本个数、当前迭代次数，计算一 个迭代结束评判因子，据此决定是否迭代结束。迭代结束后，最佳模型参数就是最终的模型参数估计值 。

std::vector<int> PclTool::randomSampleConsensusALG(const pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, const double threshold, const unsigned int type)
{
    std::vector<int> inliers;
    if (type == 1)
    {  
        // 平面
        pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr model_p(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(cloud));
        pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_p);
        ransac.setDistanceThreshold(threshold);
        ransac.computeModel();
        ransac.getInliers(inliers);
    }
    else if (type == 2)
    {  
        // 球体
        pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud));
        pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);
        ransac.setDistanceThreshold(threshold);
        ransac.computeModel();
        ransac.getInliers(inliers);
    }
    else
    {
        std::cout << "type error: 1 or 2 " << std::endl;
    }

    return inliers;
}

1. ransac.setDistanceThreshold(.01);
   距离阈值。距离阈值是用来判断数据点是否属于模型内点的关键参数。在拟合几何形状模型时，RANSAC 算法会计算每个数据点到模型的距离，并将距离小于该阈值的点视为模型内点。通常情况下，距离阈值的选择需要根据具体问题和数据集来确定，一般需要通过试验来调整。

2. ransac.computeModel();
   用于估计模型参数。在执行该函数之前，必须先设置距离阈值和输入数据。RANSAC 算法会随机选择一组数据点作为初始内点集合，然后根据这些点估计模型参数。接着，它会计算其他数据点到估计模型的距离，并将距离小于阈值的点加入内点集合。这个过程会迭代多次，直到满足停止条件（例如，迭代次数达到预设值或者内点集合的大小达到一定阈值）。

3. ransac.getInliers(inliers);
   得到的模型内点的索引。在执行 computeModel 函数之后，可以使用 getInliers 函数获取到被识别为模型内点的数据点的索引，并将这些索引存储在提供的向量 inliers 中。这些索引可以用于后续的进一步处理，例如拟合更精确的模型、剔除噪声点或可视化内点。