ransac算法_C++~RANSAC拟合圆/随机数产生(五十五)

本文介绍了如何使用C++11的default_random_engine生成随机数,以及详细讲解了应用RANSAC算法进行圆的拟合。文中提到,相较于传统的rand()函数,default_random_engine更直观且能方便地设定随机数范围。此外,文章提供了测试代码并引用了相关资源,包括机器人实时纠偏系统、OpenCV与Eigen的使用等话题。
摘要由CSDN通过智能技术生成

9cb82127f1a098ba01496aad3c0d9f64.png

一、使用C++实现RANSAC拟合圆

/*************************************************Author:  MaDate:2020-7-20Description:根据伪代码实现通用的RANSAC模板自定义圆模型,实现圆的拟合**************************************************/#include #include #include #include #include #include using namespace cv;#include #include "CSVOperator.h"using namespace std;//数据点类型typedef struct st_Point{  float x;  float y;}st_Point;// 基于RANSAC算法的圆拟合// pstData: 指向存储数据的指针// dataCnt: 数据点个数// minCnt: 模型(圆)参数估计所需的数据点的个数// maxIterCnt: 最大迭代次数// maxErrorThreshold: 最大误差阈值// consensusCntThreshold: 模型一致性判断准则,内点所占百分比// modelMeanError: 模型误差// 返回值:返回0表示获取最优模型, 否则表示未获取最优模型int ransacLiner(st_Point* pstData, int dataCnt, int minCnt, double maxIterCnt, int consensusCntThreshold, double maxErrorThreshod,  double& modelMeanError, double &centerx, double &centery, double &Radius){  default_random_engine rng(time(0));         //随机数引擎  //default_random_engine rng(time(0));  uniform_int_distribution<unsigned> uniform(0, dataCnt - 1);  //rng.seed(10); // 固定随机数种子  set<unsigned int> selectIndexs;     // 选择的点的索引  vector selectPoints;      // 选择的点  set<unsigned int> consensusIndexs;  // 满足一致性的点的索引  //初始化参数  double center_x = 0;  double center_y = 0;  double radius = 0;  modelMeanError = 0;  int isNonFind = 1;  unsigned int      bestConsensusCnt = 0; // 满足一致性估计的点的个数  int iter = 0;  while (iter < maxIterCnt)//小于最大迭代次数  {    selectIndexs.clear();    selectPoints.clear();    // Step1: 随机选择minCnt个点,圆使用三个点    while (1)    {      unsigned int index = uniform(rng);      selectIndexs.insert(index);      if (selectIndexs.size() == minCnt)      {        break;      }    }    // Step2: 进行模型参数估计,根据三个点求圆心和半径    set<unsigned int>::iterator selectIter = selectIndexs.begin();    while (selectIter != selectIndexs.end())    {      unsigned int index = *selectIter;      selectPoints.push_back(pstData[index]);      selectIter++;    }    float x1 = (selectPoints[0]).x;    float x2 = (selectPoints[1]).x;    float x3 = (selectPoints[2]).x;    float y1 = (selectPoints[0]).y;    float y2 = (selectPoints[1]).y;    float y3 = (selectPoints[2]).y;    center_x= (x1*x1 + y1*y1)*(y2 - y3) + (x2*x2 + y2*y2)*(y3 - y1) + (x3*x3 + y3*y3)*(y1 - y2);    center_x /= (2 * (x1*(y2 - y3) - y1*(x2 - x3) + x2*y3 - x3*y2));    center_y = (x1*x1 + y1*y1)*(x3 - x2) + (x2*x2 + y2*y2)*(x1 - x3) + (x3*x3 + y3*y3)*(x2 - x1);    center_y /= (2 * (x1*(y2 - y3) - y1*(x2 - x3) + x2*y3 - x3*y2));    radius = sqrt((center_x - x1)*(center_x - x1) + (center_y - y1)*(center_y - y1));    // Step3: 进行模型评估: 点到圆的距离    int dataIter = 0;    double meanError = 0;    set<unsigned int> tmpConsensusIndexs;    while (dataIter < dataCnt)    {      double x1 = pstData[dataIter].x;      double y1 = pstData[dataIter].y;      double x2 = center_x;      double y2 = center_y;      double absx1_x2 = (x1 - x2)*(x1 - x2);      double absy1_y2 = (y1 - y2)*(y1 - y2);      double disx1_x2 = sqrt(absx1_x2 + absy1_y2);      double distance = abs(radius - sqrt(absx1_x2 + absy1_y2));      if (distance < maxErrorThreshod)      {        tmpConsensusIndexs.insert(dataIter);      }      meanError += distance;      dataIter++;    }    // Step4: 判断一致性: 满足一致性集合的最小元素个数条件 + 至少比上一次的好    if (tmpConsensusIndexs.size() >= bestConsensusCnt && tmpConsensusIndexs.size() >= consensusCntThreshold)    {      bestConsensusCnt = consensusIndexs.size();  // 更新一致性索引集合元素个数      modelMeanError = meanError / dataCnt;      consensusIndexs.clear();      consensusIndexs = tmpConsensusIndexs;        // 更新一致性索引集合      centerx = center_x;      centery = center_y;      Radius = radius;      isNonFind = 0;    }    iter++;  }  return isNonFind;}int main(){  st_Point dataPoints[60];  CCSVOperator CSVOperator;  CSVOperator.LoadCSV("Circle.csv");  float x[60], y[60];  for (int i = 1; i < 61; i++)//245项  {    if (CSVOperator.GetFloat(i, 1, dataPoints[i - 1].x))    {      std::cout << "x[i]" << dataPoints[i - 1].x << '\n';    }    if (CSVOperator.GetFloat(i, 2, dataPoints[i - 1].y))    {      std::cout << "y[i]" << dataPoints[i - 1].y << '\n';    }  }  cout << sizeof(st_Point)  << endl;  cout << sizeof(float) << endl;  cout << sizeof(dataPoints)/8<<endl;  //collect time = 260ms  //  参数不准确  clock_t start_time1 = clock();  while (1)  {    double centerx = 0;    double centery = 0;    double Radius = 0;    double meanError = 0;    int data_num = sizeof(dataPoints) / 8;    if (!ransacLiner(dataPoints, 60, 3, 6, data_num / 2, 2, meanError, centerx, centery, Radius) && abs(Radius - 103) < 10)    {      cout << "centerx =         " << centerx << endl;      cout << "centery =         " << centery << endl;      cout << "Radius=         " << Radius << endl;      cout << "meanError = " << meanError << endl;      break;    }    else    {      cout << "RANSAC Failed " << endl;    }  }  clock_t end_time1 = clock();  double processTime1 = static_cast<double>(end_time1 - start_time1) / CLOCKS_PER_SEC * 1000;  cout << "processTime=" << processTime1 << endl;  system("pause");  return 0;}

2aae7d3001be579551b36e0a13108af4.png

二、C++产生随机数

C++11中,提供了一种新的获取随机数的方法。

以前获取伪随机数都是用的rand,想要获取两个数之间的伪随机数,方法如下:

  //method 1  int min, max;  //定义上下边界  max = 100;  min = 1;  int range = max - min;  //获取中间的范围  srand(time(NULL));  for (int i = 0; i < 10; i++)  {    float randNum = rand() % range + min;    cout << "num_rand" << i << ":" << randNum << endl;  }  //生成介于min和max之间的伪随机数

今天看《C++ Primer 5th Edition》里面介绍了使用default_random_engine来获取随机数,并且指出“C++程序不应该使用库函数rand,而应使用default_random_engine类和恰当的分布类对象。”看了一下,用这种新方法获取两个数之间的伪随机数的方法如下:

    static default_random_engine rng;  //rng.seed(20); // 固定随机数种子  //创建引擎  static int a =1, b=100;  static uniform_int_distribution<unsigned> uniform(a, b);  //创建取值范围  for (int i = 0; i < 10; i++)  {    float randNum = uniform(rng);;    cout << "num_engine" << i << ":" << randNum << endl;  }  //生成介于min和max之间的伪随机数

从代码量来说,并没有减少,但是感觉更加直观了一些,毕竟可以直接设置上下边界,不用再通过取余之类的计算了。

有一个问题,就是多次调用同一对范围和引擎时,每次生成的数都是一样的。

使用rand()时,在函数前使用:

srand(time(NULL));

还可以设置种子:

关于设置种子,既可以在定义时设置种子,也可以创建完成后再设置种子,方法如下:

  //上述随机数每次都是相同的,需要设置种子,可以设置时间为种子  default_random_engine u(time(0));  //default_random_engine u(10);  //default_random_engine u;  //u.seed(10);  //创建引擎  uniform_int_distribution<unsigned> uniform1(min, max);  //创建取值范围  for (int i = 0; i < 10; i++)  {    float randNum = uniform1(u);;    cout << "num_time" << i << ":" << randNum << endl;  }

然而time返回时间的单位是秒,所以如果是自动过程的一部分反复运行,比如用在循环中,那么因为间隔时间不够,所以设置的种子其实是一样的。

测试程序如下:

#include #include #include #include #include #include using namespace cv;#include #include "CSVOperator.h"//数据点类型using namespace std;int main(){  clock_t start_time1 = clock();  //method 1  int min, max;  //定义上下边界  max = 100;  min = 1;  int range = max - min;  //获取中间的范围  srand(time(NULL));  for (int i = 0; i < 10; i++)  {      float randNum = rand() % range + min;    cout << "num_rand" << i << ":" << randNum << endl;  }  //生成介于min和max之间的伪随机数  //method 2  //static default_random_engine rng;  创建引擎  //static uniform_int_distribution uniform(min, max);  创建取值范围    static default_random_engine rng;  //rng.seed(20); // 固定随机数种子  //创建引擎  static int a =1, b=100;  static uniform_int_distribution<unsigned> uniform(a, b);  //创建取值范围  for (int i = 0; i < 10; i++)  {    float randNum = uniform(rng);;    cout << "num_engine" << i << ":" << randNum << endl;  }  //生成介于min和max之间的伪随机数  //上述随机数每次都是相同的,需要设置种子,可以设置时间为种子  default_random_engine u(time(0));  //default_random_engine u(10);  //default_random_engine u;  //u.seed(10);  //创建引擎  uniform_int_distribution<unsigned> uniform1(min, max);  //创建取值范围  for (int i = 0; i < 10; i++)  {    float randNum = uniform1(u);;    cout << "num_time" << i << ":" << randNum << endl;  }  clock_t end_time1 = clock();  double processTime1 = static_cast<double>(end_time1 - start_time1) / CLOCKS_PER_SEC * 1000;  cout << "processTime" << processTime1 << endl;  system("pause");  return 0;}

817c0fde6d34172dba61d114eead618f.png

参考文献:

1、《C++ Primer 5th Edition》 17.4 随机数

2、https://blog.csdn.net/tsbyj/article/details/46994851

3、RANSAC直线拟合(五十)

推荐:机器人实时纠偏系统(一)

机器人实时纠偏(二)OpenCV+VS开发环境配置(三)结构光视觉的焊接机器人纠偏(四)结构光视觉的机器人焊接(五)结构光视觉的机器人焊接(六)机器人初始点导引(七)MATLAB标定相机参数(八)机器人的手眼标定(九)机器人坐标获取(十)机器人调试(十一)TCP/IP客户端API编程(十二)结构光传感器上位机界面多线程编程(十三)TCP&UDP(十四)C/C++ Programing(十五)机器人扫描与跟踪调试(十六)结构光传感器库函数(十七)结构光传感器编程(十八)C/C++ Programing(十九)C/C++ Programing(二十)结构光传感器编程(二十一)DX200操作要领(二十二)DX200操作要领(二十三)工装轴协调(二十四)无夹具协调(二十五)图像处理调试(二十六)STM32MODBUS_CRC编程(二十七)

在C++中调用Matlab函数(二十八)

机器人手眼标定MATLAB及C++实现

机器人位姿运算及Eigen的使用(三十)

OpenCV与Eigen矩阵运算(三十一)

VS中数据读写及OpenCV拟合(三十二)

VS2013配置OpenGL库(三十三)

曲线拟合/插值(三十四)

曲线拟合绘制滤波及机器人平移(三十五)

DX200操作要领—示教1(三十六)

直接打开与平移变换(三十七)PAM与镜像平移变换(三十八)

修改与编辑程序(三十九)

YRC1000 宏程序命令(四十)

程序编辑与试运行(四十一)

程序编辑与再现(四十二)

再现(四十三)

程序管理(四十四)

便捷功能(四十五)

便捷功能(四十六)

椭圆拟合(四十七)

RANSAC直线拟合(四十八)

读写CSV文件类(四十九)

RANSAC直线拟合(五十)

法向量、旋转矩阵计算(五十一)

机器人手眼标定与变量设置调试(五十二)

20200715调试记录(五十三)

20200717调试记录(五十四)

ddd6fec65abd181eed35e1556235b580.png

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
RANSACRandom Sample Consensus)算法是一种基于统计原理的模型拟合方法,可以用于拟合形模型。以下是一个用C++实现RANSAC算法拟合形模型的示例代码: ```cpp #include <iostream> #include <vector> #include <random> #include <cmath> // 定义形结构体 struct Circle { double x; // 心x坐标 double y; // 心y坐标 double r; // 半径 }; // 计算两点之间的距离 double distance(double x1, double y1, double x2, double y2) { return std::sqrt(std::pow(x2 - x1, 2) + std::pow(y2 - y1, 2)); } // 计算点到心的距离 double distance(double x, double y, Circle circle) { return std::sqrt(std::pow(x - circle.x, 2) + std::pow(y - circle.y, 2)); } // RANSAC算法拟合形模型 Circle ransac(std::vector<std::pair<double, double>> points, int iterations, double threshold) { std::random_device rd; std::mt19937 gen(rd()); std::uniform_int_distribution<> dis(0, points.size() - 1); Circle best_circle = {0, 0, 0}; int best_count = 0; for (int i = 0; i < iterations; i++) { // 随机选择三个点 int idx1 = dis(gen); int idx2 = dis(gen); int idx3 = dis(gen); // 计算形参数 double x1 = points[idx1].first; double y1 = points[idx1].second; double x2 = points[idx2].first; double y2 = points[idx2].second; double x3 = points[idx3].first; double y3 = points[idx3].second; double a = x1 - x2; double b = y1 - y2; double c = x1 - x3; double d = y1 - y3; double e = (std::pow(x1, 2) - std::pow(x2, 2)) + (std::pow(y1, 2) - std::pow(y2, 2)); double f = (std::pow(x1, 2) - std::pow(x3, 2)) + (std::pow(y1, 2) - std::pow(y3, 2)); double delta = a * d - b * c; if (delta == 0) { continue; } double x0 = (d * e - b * f) / (2 * delta); double y0 = (a * f - c * e) / (2 * delta); double r = distance(x0, y0, x1, y1); // 统计点数 int count = 0; for (std::pair<double, double> point : points) { if (distance(point.first, point.second, x0, y0) <= threshold) { count++; } } // 更新最优形 if (count > best_count) { best_circle.x = x0; best_circle.y = y0; best_circle.r = r; best_count = count; } } return best_circle; } int main() { // 生成随机点 std::vector<std::pair<double, double>> points; std::random_device rd; std::mt19937 gen(rd()); std::uniform_real_distribution<> dis(-10, 10); for (int i = 0; i < 100; i++) { double x = dis(gen); double y = dis(gen); if (std::pow(x, 2) + std::pow(y, 2) <= 25) { // 在内的点 points.push_back({x, y}); } } // RANSAC拟合形模型 Circle circle = ransac(points, 1000, 1); // 输出结果 std::cout << "Best circle: (" << circle.x << ", " << circle.y << "), r = " << circle.r << std::endl; return 0; } ``` 该代码通过随机选择三个点计算形参数,并统计在内的点数。重复此过程若干次后,选取点数最多的形作为最优形。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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