09采样一致性

点云库PCL从入门到精通

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章

---

---

RANSAC随机采样一致性算法

基本假设：

• 数据由“局内点（inliers）”组成，例如：数据的分布可以用一些模型参数来解释
• “局外点（outliers）”是不能适应该模型的数据
• 除此之外的数据属于噪声

局外点产生的原因有：噪声的极值、错误的测量方法、对数据的错误假设。

基本原理：

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规模参数，然后计算所有样本与改模型的偏差，在使用一个预先设定好的阈值与偏差比较。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. 假设有一个模型适应于最多的局内点，即所有的未知参数都能从假设的局内点计算得出
2. 从样本总体中随机抽取一部分样本，作为样本子集，使用某一算法（如最小方差估计算法）计算1中假设的模型的参数，然后计算所有样本与该模型的偏差
3. 使用一个预先设定好的阈值与得到的每个点的偏差做比较，当偏差小于阈值时，该样本点属于模型局内点，否则属于模型局外点
4. 然后，记录当前的局内点个数和模型参数
5. 重复上述过程，每一次重复，都纪律当前最多局内点的的模型参数。

在每次迭代的末尾，都要根据期望的误差率、best_ninliers、总样本个数、当前迭代次数，来计算一个迭代结束评判因子，据此判定迭代是否结束。

存在的问题：

1. 区分局内点和局外点的阈值有时候很难事先设定
2. 算法的迭代次数是运行期决定的，在算法执行之前，无法预知算法需要迭代的确切次数（只能知道一个大概的范围）
3. 只能从一个特定的数据集中估计一个模型，当两个及以上个模型存在时，RANSAC不能找到别的模型

一个简单例子：

如上图，左侧图像表示一组既包含局内点又包含局外点的数据集；右侧图像中，所有的局外点都被标为红色，局内点标为蓝色，蓝色线条就是基于RANSAC算法得到的结果（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，当然，RANSAC算法也不能保证结果的绝对正确，在执行算法时，必须设置选择参数）。

LMedS最小中值方差估计算法

基本原理：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），重复该过程N次，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。

该算法中的迭代次数N是由样本子集的个数、期望的模型误差、事先估计的样本中outliers的比例所决定的。

优点：

1. 不用事先设定阈值
2. 迭代次数可以事先确定

缺点：当outliers在样本中所占比例达到或超过50%时，该算法不再适用（LMedS每次迭代记录的是Med偏差值）。

一个简单的示例

std::vector<int> inliers; // 存储局内点集合的点的索引的向量

// 创建随机采样一致性
pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr
  model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ>(cloud)); // 针对球模型的对象
pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr
  model_p(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(cloud)); // 针对平面模型的对象
if (pcl::console::find_argument(argc, argv, "-f") >= 0)
{
  // 根据命令行参数，来随机估算对应的平面模型，并存储估计的局内点
  pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_p);
  ransac.setDistanceThreshold(.01); // 与平面距离小于0.01的点作为局内点考虑
  ransac.computeModel(); // 执行随机参数估计
  ransac.getInliers(inliers); // 存储估计所获得的局内点
}
else if (pcl::console::find_argument(argc, argv, "-sf") >= 0)
{
  // 根据命令行参数，来随机估算对应的球面模型，并存储估计的局内点
  pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(model_s);
  ransac.setDistanceThreshold(.01);
  ransac.computeModel();
  ransac.getInliers(inliers);
}