ransac算法_C++~RANSAC拟合圆/随机数产生（五十五）

最新推荐文章于 2024-07-25 00:15:00 发布

weixin_39660408

最新推荐文章于 2024-07-25 00:15:00 发布

阅读量1.2k

点赞数

文章标签： ransac算法

本文链接：https://blog.csdn.net/weixin_39660408/article/details/111295810

版权

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

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;}

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;}

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)