PCL如何使用随机样本共识模型RANSAC

最新推荐文章于 2023-09-12 18:30:00 发布
最新推荐文章于 2023-09-12 18:30:00 发布
阅读量183 收藏
点赞数
文章标签： 机器学习 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40609206/article/details/125967560
版权

如何使用随机样本共识模型

在本教程中, 我们学习如何使用带有平面模型的 RandomSampleConsensus 来获得适合该模型 的云。

理论入门

“RANdom SAmple Consensus"的缩写是RANSAC, 它是一种迭代方法, 用于从一组包含异常值 的数据中估计数学模型的参数。该算法由 Fischler 和 Bolles 于 1981 年发布。RANSAC 算法假 设我们正在查看的所有数据都包含内部值和异常值。异常值可以通过具有一组特定参数值的模 型来解释, 而异常值在任何情况下都不适合该模型。另一个必要的假设是可以从数据中最优地 估计所选模型的参数的程序是可用的。
来自[维基百科RANSAC]:
RANSAC 算法的输入是一组观测数据值、一个可以解释或拟合观测值的参数化模型以及一 些置信度参数。

RANSAC 通过迭代选择原始数据的随机子集来实现其目标。这些数据是假设的内点, 然后 对该假设进行如下测试：

  1. 模型适合假设的内点, 即模型的所有自由参数都是从内点重建的。
  2. 然后针对拟合模型对所有其他数据进行测试, 如果某个点与估计模型非常吻合, 则 也将其视为假设的内点。
  3. 如果足够多的点被分类为假设的内点, 则估计的模型相当好。
  4. 该模型是根据所有假设的内点重新估计的, 因为它仅是从一组假设的初始内点估计 的。
  5. 最后, 通过估计内点相对于模型的误差来评估模型。
    这个过程重复了固定的次数, 每次要么产生一个模型, 因为太少的点被分类为内点而被拒 绝, 要么产生一个带有相应误差度量的精炼模型。在后一种情况下, 如果精化模型的误差 低于上次保存的模型, 我们将保留它。

RANSAC 的一个优点是它能够对模型参数进行稳健的估计，即即使数据集中存在大量异常值，它也可以高度准确地估计参数。RANSAC 的一个缺点是计算这些参数所需的时间没有上限。当计算的迭代次数有限时，获得的解决方案可能不是最优的，甚至可能不是以良好方式拟合数据的解决方案。通过这种方式，RANSAC 提供了一种权衡；通过计算更多的迭代次数，可以增加生成合理模型的概率。RANSAC 的另一个缺点是它需要设置特定问题的阈值。

RANSAC 只能为特定数据集估计一个模型。对于存在两个（或更多）模型时的任何一种模型方法，RANSAC 可能无法找到其中任何一个。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-e6Ju3G0q-1658708347701)(https://pcl.readthedocs.io/projects/tutorials/en/pcl-1.12.0/_images/random_sample_example1.png)]

上面和下面的图片（来自[WikipediaRANSAC]）显示了 RANSAC 算法在二维数据集上的简单应用。我们上面的图像是包含异常值和异常值的数据集的可视化表示。我们下边的图像以红色显示所有异常值，并以蓝色显示内部值。蓝线是 RANSAC 所做工作的结果。在这种情况下，我们试图拟合数据的模型是一条线，看起来它非常适合我们的数据。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GoTsm3NV-1658708347702)(https://pcl.readthedocs.io/projects/tutorials/en/pcl-1.12.0/_images/random_sample_example2.png)]

主要代码

#include <iostream>
#include <thread>

#include <pcl/console/parse.h>
#include <pcl/point_cloud.h> // for PointCloud
#include <pcl/common/io.h> // for copyPointCloud
#include <pcl/point_types.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/sample_consensus/sac_model_sphere.h>
#include <pcl/visualization/pcl_visualizer.h>

using namespace std::chrono_literals;

pcl::visualization::PCLVisualizer::Ptr
simpleVis (pcl::PointCloud<pcl::PointXYZ>::ConstPtr cloud)
{
  // --------------------------------------------
  // -----Open 3D viewer and add point cloud-----
  // --------------------------------------------
  pcl::visualization::PCLVisualizer::Ptr viewer (new pcl::visualization::PCLVisualizer ("3D Viewer"));
  viewer->setBackgroundColor (0, 0, 0);
  viewer->addPointCloud<pcl::PointXYZ> (cloud, "sample cloud");
  viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");
  //viewer->addCoordinateSystem (1.0, "global");
  viewer->initCameraParameters ();
  return (viewer);
}

int
main(int argc, char** argv)
{
  // initialize PointClouds
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::PointXYZ>::Ptr final (new pcl::PointCloud<pcl::PointXYZ>);

  // populate our PointCloud with points
  cloud->width    = 500;
  cloud->height   = 1;
  cloud->is_dense = false;
  cloud->points.resize (cloud->width * cloud->height);
  for (pcl::index_t i = 0; i < static_cast<pcl::index_t>(cloud->size ()); ++i)
  {
    if (pcl::console::find_argument (argc, argv, "-s") >= 0 || pcl::console::find_argument (argc, argv, "-sf") >= 0)
    {
      (*cloud)[i].x = 1024 * rand () / (RAND_MAX + 1.0);
      (*cloud)[i].y = 1024 * rand () / (RAND_MAX + 1.0);
      if (i % 5 == 0)
        (*cloud)[i].z = 1024 * rand () / (RAND_MAX + 1.0);
      else if(i % 2 == 0)
        (*cloud)[i].z =  sqrt( 1 - ((*cloud)[i].x * (*cloud)[i].x)
                                      - ((*cloud)[i].y * (*cloud)[i].y));
      else
        (*cloud)[i].z =  - sqrt( 1 - ((*cloud)[i].x * (*cloud)[i].x)
                                        - ((*cloud)[i].y * (*cloud)[i].y));
    }
    else
    {
      (*cloud)[i].x = 1024 * rand () / (RAND_MAX + 1.0);
      (*cloud)[i].y = 1024 * rand () / (RAND_MAX + 1.0);
      if( i % 2 == 0)
        (*cloud)[i].z = 1024 * rand () / (RAND_MAX + 1.0);
      else
        (*cloud)[i].z = -1 * ((*cloud)[i].x + (*cloud)[i].y);
    }
  }

  std::vector<int> inliers;

  // created RandomSampleConsensus object and compute the appropriated model
  pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr
    model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ> (cloud));
  pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr
    model_p (new pcl::SampleConsensusModelPlane<pcl::PointXYZ> (cloud));
  if(pcl::console::find_argument (argc, argv, "-f") >= 0)
  {
    pcl::RandomSampleConsensus<pcl::PointXYZ> ransac (model_p);
    ransac.setDistanceThreshold (.01);
    ransac.computeModel();
    ransac.getInliers(inliers);
  }
  else if (pcl::console::find_argument (argc, argv, "-sf") >= 0 )
  {
    pcl::RandomSampleConsensus<pcl::PointXYZ> ransac (model_s);
    ransac.setDistanceThreshold (.01);
    ransac.computeModel();
    ransac.getInliers(inliers);
  }

  // copies all inliers of the model computed to another PointCloud
  pcl::copyPointCloud (*cloud, inliers, *final);

  // creates the visualization object and adds either our original cloud or all of the inliers
  // depending on the command line arguments specified.
  pcl::visualization::PCLVisualizer::Ptr viewer;
  if (pcl::console::find_argument (argc, argv, "-f") >= 0 || pcl::console::find_argument (argc, argv, "-sf") >= 0)
    viewer = simpleVis(final);
  else
    viewer = simpleVis(cloud);
  while (!viewer->wasStopped ())
  {
    viewer->spinOnce (100);
    std::this_thread::sleep_for(100ms);
  }
  return 0;
 }

代码逐行

以下源代码初始化了两个 PointCloud，并用点填充其中一个。这些点中的大多数根据模型放置在云中，但其中一小部分 (1/5) 被指定为任意位置。

// initialize PointClouds
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::PointXYZ>::Ptr final (new pcl::PointCloud<pcl::PointXYZ>);

  // populate our PointCloud with points
  cloud->width    = 500;
  cloud->height   = 1;
  cloud->is_dense = false;
  cloud->points.resize (cloud->width * cloud->height);
  for (pcl::index_t i = 0; i < static_cast<pcl::index_t>(cloud->size ()); ++i)
  {
    if (pcl::console::find_argument (argc, argv, "-s") >= 0 || pcl::console::find_argument (argc, argv, "-sf") >= 0)
    {
      (*cloud)[i].x = 1024 * rand () / (RAND_MAX + 1.0);
      (*cloud)[i].y = 1024 * rand () / (RAND_MAX + 1.0);
      if (i % 5 == 0)
        (*cloud)[i].z = 1024 * rand () / (RAND_MAX + 1.0);
      else if(i % 2 == 0)
        (*cloud)[i].z =  sqrt( 1 - ((*cloud)[i].x * (*cloud)[i].x)
                                      - ((*cloud)[i].y * (*cloud)[i].y));
      else
        (*cloud)[i].z =  - sqrt( 1 - ((*cloud)[i].x * (*cloud)[i].x)
                                        - ((*cloud)[i].y * (*cloud)[i].y));
    }
    else
    {
      (*cloud)[i].x = 1024 * rand () / (RAND_MAX + 1.0);
      (*cloud)[i].y = 1024 * rand () / (RAND_MAX + 1.0);
      if( i % 2 == 0)
        (*cloud)[i].z = 1024 * rand () / (RAND_MAX + 1.0);
      else
        (*cloud)[i].z = -1 * ((*cloud)[i].x + (*cloud)[i].y);
    }
  }

接下来，我们创建一个整数向量，它可以存储来自 PointCloud 的内点的位置，现在我们可以使用来自输入云的平面或球体模型构建 RandomSampleConsensus 对象。

  std::vector<int> inliers;

  // created RandomSampleConsensus object and compute the appropriated model
  pcl::SampleConsensusModelSphere<pcl::PointXYZ>::Ptr
    model_s(new pcl::SampleConsensusModelSphere<pcl::PointXYZ> (cloud));
  pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr
    model_p (new pcl::SampleConsensusModelPlane<pcl::PointXYZ> (cloud));
  if(pcl::console::find_argument (argc, argv, "-f") >= 0)
  {
    pcl::RandomSampleConsensus<pcl::PointXYZ> ransac (model_p);
    ransac.setDistanceThreshold (.01);
    ransac.computeModel();
    ransac.getInliers(inliers);
  }
  else if (pcl::console::find_argument (argc, argv, "-sf") >= 0 )
  {
    pcl::RandomSampleConsensus<pcl::PointXYZ> ransac (model_s);
    ransac.setDistanceThreshold (.01);
    ransac.computeModel();
    ransac.getInliers(inliers);
  }

最后一段代码将所有适合我们模型的点复制到另一个云中，然后在查看器中显示该云或我们的原始云。

// copies all inliers of the model computed to another PointCloud
  pcl::copyPointCloud (*cloud, inliers, *final);

  // creates the visualization object and adds either our original cloud or all of the inliers
  // depending on the command line arguments specified.
  pcl::visualization::PCLVisualizer::Ptr viewer;
  if (pcl::console::find_argument (argc, argv, "-f") >= 0 || pcl::console::find_argument (argc, argv, "-sf") >= 0)
    viewer = simpleVis(final);
  else
    viewer = simpleVis(cloud);

bash执行result

$ ./random_sample_consensus

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aRKDYtEx-1658708347702)(/home/aruchid/.config/Typora/typora-user-images/image-20220725081754074.png)]

Aruchid.
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PCL Ransac 点云平面拟合 C++
02-25
利用点云库PCL，使用VS2015完成的C++代码，测试文件（.obj）已经在本站上传资源，供大家交流，如有问题欢迎多提宝贵意见 对于不平整表面，利用ransac平面拟合，然后将三维不平整表面近似为一个平面，并将表面上的点...
【点云处理技术之PCL】随机采样一致算法（Random sample consensus，RANSAC）
非晚非晚的博客
12-23 3492
RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写，这个算法于1981年由Fischler and Bolles首次提出。它是一种迭代方法，用于从一组包含局内点Inliers和局外点outliers的数据中，通过迭代的方式估计出数学模型的参数。Inliers可以解释为适合模型参数的一组点，outliers则是不适合模型的点。它是一种不确定的算法——它有一定的概率得出一个合理的结果，为了提高概率必须提高迭代次数。
基于PCL的RANSAC（随机采样一致）算法简介与示例
baidu_35536188的博客
04-28 4488
分析总结
PCL入门（五）：随机采样一致性算法RANSAC简单使用
最新发布
qq_30841655的博客
09-12 460
参考博客《随机抽样一致性（RANSAC）算法详解》该算法根据数据集获得满足一定条件的参数估计，实现利用尽可能少的数据获得尽可能大的一致性数据集。具体来说，步骤1：从数据集中随机获得一定量的数据；步骤2：根据获取数据，做参数估计，并拟合模型；步骤3：计算数据集中的每一个点在该模型下的距离或者损失，据此将数据集分为内部点集合和外部点集合；步骤4：若迭代次数未超过阈值，则返回步骤1；步骤5：将内部点集合中数据最多的模型作为最终输出模型。
PCL 随机采样一致方法（RANSAC）分割
生活如此美好，致敬每一个热爱“热爱”的人！
09-14 2329
随机采样一致方法（RANSAC） 采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。RANSAC算法假设数据中包含正确数据和异常数据（或称为噪声）。正确数据记为内点（inliers），异常数据记为外点（outliers）。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。该算法核心思想就是随机性和假设性，随机性是根据正确数据出现概率去随机选取抽样数据，根据大数定律，随机性模拟可以近似得到正确结果。假设性是假设选取出的抽样数据都是正确数据，然后用这些正确数
ransac 平面模型 平行 轴向量 提取 墙体平面
02-17
在计算机视觉和三维重建领域，RANSAC（Random Sample Consensus）算法是一种广泛使用的估计模型参数的方法，尤其在处理有噪声数据时非常有效。RANSAC通过迭代选择数据子集来寻找最佳拟合模型，例如在本场景中，我们...
使用RANSAC提取平面
09-21
使用PCL中RANSAC探测识别平面，并且可将探测出的多个平面进行单独保存。
PCL格式的经典三维点云模型
06-21
在本资料中，我们讨论的是“PCL格式的经典三维点云模型”，它包括了将原始的TXT格式点云数据转换为PCL所使用的PCD（Point Cloud Data）格式的过程。 首先，让我们深入理解PCL库。PCL库由多个模块组成，涵盖了从数据...
pcl1.13.0 搭配qt6使用
06-21
标题中的“pcl1.13.0 搭配qt6使用”指的是将Point Cloud Library (PCL) 版本...此外，对于更复杂的应用，可能需要利用Qt的多线程功能，或者考虑使用QThread和异步编程模型来处理耗时的PCL操作，以避免阻塞主线程。
PCL 点云按比率随机采样
点云侠的博客
06-23 779
点云按比率随机采样
PCL常见采样算法
weixin_52047565的博客
03-06 493
整理常见的点云采样&精简算法，以便针对处理工件模型的不同需求进行使用。
点云PCL学习笔记-分割segmentation-RANSAC随机采样一致性算法&&欧式聚类提取
禾烁的博客
08-24 2336
随机采样一致性算法RANSAC 程序实例参考网址： https://pcl.readthedocs.io/projects/tutorials/en/latest/random_sample_consensus.html?highlight=console#the-explanation PCLAPI文档： https://pointclouds.org/documentation/ 应用主要是： 1、对点云进行分割，根据设定不同的几何模型（PCL中主要支持的模型有：空间平面、直线、二维或三维圆周、圆球、锥
PCL学习：采样一致性算法
zfjBIT的专栏
06-25 1250
在计算机视觉领域广泛的使用各种不同的采样一致性参数估计算法用于排除错误的样本，样本不同对应的应用不同，例如剔除错误的配准点对，分割出处在模型上的点集，PCL中以随机采样一致性算法（RANSAC）为核心，同时实现了五种类似与随机采样一致形算法的随机参数估计算法，例如随机采样一致性算法（RANSAC）最大似然一致性算法（MLESAC），最小中值方差一致性算法（LMEDS）等，所有估计参数算法都符合一致...
ROS::点云PCL(6)随机采样一致性算法RANSAC *
weixin_43928944的博客
05-05 1360
场景 平面模型经常被应用到常见的室内平面分割提取中，比如墙、地板、桌面，其他模型常应用到根据几何结构检测识别和分割物体（比如用一个圆柱体模型分割出一个杯子）。 可用模型 这些模型有圆柱、线、圆等基本的一些形状可以直接使用，通过这些模型去分割点云。 RANSAC概念及作用 RANSAC是“RANdom SAmple Consensus”（随机抽样共识或采样一致性）的缩写，它是一种迭代方法，用于从包含异常值的一组数据中估计数学模型的参数。该算法由Fischler和Bolles于1981年发布。 RANSAC算
PCL---RANSAC随机采样一致性算法
myenjoy_1的博客
02-20 322
通过前面的文章，我们基本上代建的相关环境。本文将继续基于此继续学习PCL相关采样一致性算法。基础代码下载RANSAC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模型参数，然后计算所有样本与该模型的偏差，再使用一个预先设定好的阈值与偏差比较，当偏差小于阈值时，该样本点属于模型内样本点 ( inliers），或称内部点、局内点或内点，否则为模型外样本点（outliers），或称外部点、局外点或外点，记录下当前的 inliers 的个数，然后重复这一过程。
PCL点云处理之自定义点云随机下采样方法（一百四十）
weixin_44329757的博客
05-05 409
自己实现点云的随机采样，不需要依赖PCL库
pcl随机采样一致性:ransac圆柱体拟合
09-07
其中的PCL随机采样一致性（Random Sample Consensus，RANSAC）算法是一种用于拟合基本几何形状的方法，可以在包含噪声和异常值的点云数据中找到最佳拟合模型。 在RANSAC圆柱体拟合中，算法首先随机选择一些点作为...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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