基于RANSAC算法PCL点云拟合平面整理

前言

这个项目，跟我专业不大相关，准确的说，是帮助学姐的做一做毕业设计的实际工作（平时有点闲，找点事做）。个人比较喜欢算法一类的，喜欢看别人的算法，改进、完善，研究如何应用到自己的功能中，精简前人的成果中对我冗余的部分。
也就是优化

首先讲一下PCL是什么

PCL（Point Cloud Library，点云库），是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。
只要是涉及到三维点云的项目，都可以借鉴其中的做法，来完善自己的功能。
这个不用太细说，可以理解为一个开源的工具包。

接下来是RANSAC算法

RANSAC为Random Sample Consensus的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。
RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、无法适应数学模型的数据)，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。

解决思路

我的理解
在拟合平面（地面）这一需求上，平面的凹凸点（小的坑洼）是有效数据，但对所需平面来说有一定的偏移。
而大的凹凸，比如地面上的障碍物、地面的深坑，这些都是偏移量过大的无效数据。
最小二乘拟合，旨在照顾所有人的想法，对所有数据进行拟合，在无效数据多且偏移量大的情况下，拟合效果不好。
而RANSAC拟合，旨在照顾多数人的意愿，对主体数据进行拟合，手动设置一个阈值，同拟合平面的距离超过阈值的点，就被判定为无效数据。
随机拟合多个平面，选取平面内数据点最多的平面，或者说，无效数据最少的平面，作为拟合出的结果。

根据如上思路，RANSAC在拟合平面这一需求上，可以得到更准确的结果。

图片是以前做PPT，留下的，应该是网图…如有需要，可以删除…

PCL拟合平面

一开始选用PCL工具，对三维点云进行平面拟合，让自己对这方面有个了解，大概采用了如下代码：

  //创建一个模型参数对象，用于记录结果
  pcl::ModelCoefficients::Ptr coefficients (new pcl