PCL 采样一致性方法介绍

PCL中实现的稳健样本一致性估计方法一共有如下七种：

SAC_RANSAC - RANdom SAmple Consensus
SAC_LMEDS - Least Median of Squares
SAC_MSAC - M-Estimator SAmple Consensus
SAC_RRANSAC - Randomized RANSAC
SAC_RMSAC - Randomized MSAC
SAC_MLESAC - Maximum LikeLihood Estimation SAmple Consensus
SAC_PROSAC - PROgressive SAmple Consensus
默认情况下，如果不熟悉上述大多数估计器及其操作方式，使用RANSAC进行测试是万无一失的方法。

1. 随机采样一致性算法

pcl::RandomSampleConsensus< PointT > Class Template Reference
RandomSampleConsensus 表示随机采样一致性算法的实现，该算法的工作原理如下：

• 从云中随机选择样本，数量与确定模型所需的数量一样多；
• 从样本中计算模型的系数；
• 在给定阈值的情况下，计算云中有多少点属于模型。 这些被称为内点；
• 重复直到找到一个好的模型或达到最大迭代次数，返回具有最多内点的模型。

2.最小平方中值算法

pcl::LeastMedianSquares< PointT > Class Template Reference

LeastMedianSquares 为最小平方中值算法的实现。LMedS 是一种类似于 RANSAC 的模型拟合算法，可以容忍高达 50% 的异常值，而无需设置阈值。与 RANSAC 相比，LMedS 在查找模型时不会将点分为内点和异常点。 相反，它使用所有点模型距离的中值作为模型好坏的衡量标准。 只有在最后确定哪些点属于找到的模型时才需要一个阈值。

3.M-估计量样本一致性算法

pcl::MEstimatorSampleConsensus< PointT > Class Template Reference

MEstimatorSampleConsensus 表示 M-估计量样本一致性算法的实现。RANSAC 在给定阈值的情况下计算内点数。 内点越多，模型越好——内点与模型的实际距离有多近并不重要，只要它们在阈值内即可。 MSAC 通过使用所有点模型距离的总和作为质量度量来改变这一点，但是异常值仅添加阈值而不是它们的真实距离。 与 RANSAC 相比，这种方法可以产生更好的结果。

4.随机的随机采样一致性算法

pcl::RandomizedRandomSampleConsensus< PointT > Class Template Reference

RandomizedRandomSampleConsensus 表示 RRANSAC的实现，该算法的工作原理与 RANSAC 类似，但有一个补充：计算模型系数后，随机选择一小部分点；如果这些点中的任何一个点在给定的阈值内不属于拟合模型，则继续下一次迭代，而不是检查所有点。 如果预先测试的分数选择得当，则可能会加快模型的拟合速度。

5. 随机