＜PCL Docs 解析＞如何使用随机样本共识模型RANSAC

最新推荐文章于 2024-10-26 10:42:28 发布
最新推荐文章于 2024-10-26 10:42:28 发布
阅读量163 收藏
点赞数
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/125967563
版权

RANSAC 异常值检测 点云处理 PCL库 模型拟合
关键词由CSDN通过智能技术生成

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

在这里插入图片描述

Aruchid.
关注
机器学习笔记 - 随机样本共识(RANSAC) 算法
学以致用 知行合一
12-12 185
RANSAC（随机样本共识）是一种用于机器学习和计算机视觉的算法，随机样本共识（RANSAC）是一种迭代方法，用于根据包含异常值的数据集估计数学模型。RANSAC 算法的工作原理是识别数据集中的异常值，并使用不包含异常值的数据来估计所需的模型。 RANSAC的计算步骤： 1、随机选择数据集的子集 2、将模型拟合到选定的子集 3、确定异常值的数量 4、重复步骤 1-3 指定的迭代次数
pcl::VoxelGrid＜PointXYZL＞体素网格滤波常用函数功能和用法
小秋 AI SLAM 入门实战教程
01-30 1458
它特别适用于理解点云处理的基本概念，如体素网格滤波，以及如何在 PCL 中进行点云的可视化。通过增加体素大小，可以更明显地看到滤波对点云造成的影响，从而更容易地比较滤波前后点云的差异。该程序是一个完整的 C++ 示例，用于演示如何使用 PCL (Point Cloud Library) 创建一个随机点云，应用体素网格滤波进行降采样，并使用 PCL 的可视化工具来显示滤波前后的点云。这些函数的组合使用可以实现对点云的有效降采样，即减少点云中的点的数量，同时尽可能地保持其结构和形状。
Ransac_Plane_Detection:随机样本共识在点云平面检测中的应用
04-28
通过RANSAC检测点云中的平面 本节介绍了随机样本共识（RANSAC）算法在点云中检测平面的应用。 RANSAC被广泛用于将模型拟合到实验数据。 RANSAC使用与经典的参数估计算法相反的方法。 RANSAC不会通过从尽可能多的数据中推导解决方案并消除异常值来进行迭代，而不会使用尽可能最小的数据集来定义模型，然后计算与之相符的数据量。 在这种情况下，严重错误不会产生任何影响：只有一致的数据量才起作用。 当前项目的目标是通过RANSAC在大约40万个点的点云中检测飞机，这是柏林Charite诊所对建筑物进行激光扫描的结果。 根据超参数的值，结果可能会更加详细，如下图所示： 或更笼统地说： 算法本身，其应用和结果在我写的科学文章中介绍，可以作为pdf文件下载：
随机抽样一致算法（Random sample consensus，RANSAC）
qq_40464599的博客
07-28 892
RANSAC代表随机样本共识。正如我们之前看到的，这里有你可以尝试拟合的不同类型的模型，我们仅仅去拟合一个平面模型，在这里，我们将研究试图拟合线条的情况。在这种情况下：我们有数据并且我们知道这有一条线。但是数据也有很多异常值。 但是数据也有很多离群值，那么您如何确定那条线在哪里呢？好吧，如果您只是想做线性回归之类的事情，那将取所有点的平均值，并取没有意义的离群值的平均值。他会给你个很差的线，它不会代表你所有的真实的点。因此，当数据中包含这些异常值时，RANSAC实际上是一种用于...
随机样本一致性：一种用于图像分析和自动制图的模型拟合模型（1）--RANRAC
Jensen Lee的博客
10-27 722
经典的参数估计技术，如最小二乘，(根据指定的目标函数)优化了函数描述(模型)对所有数据的拟合。这些技术没有检测和排除严重错误的内部机制。它们是基于假设(平滑假设)的平均技术，即任何数据与假设模型的最大期望偏差是数据集大小的直接函数，因此无论数据集的大小如何，总会有足够的好值来平滑任何粗偏差。 在许多实际的参数估计问题中，平滑假设不成立，即数据包含无补偿的粗差。针对这种情况，提出了几种启发式算法。...
随机抽样一致性（RANSAC: Random Sample Consensus）
吕爽
11-02 6336
随机抽样一致性；RANSAC;Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography
error: ‘const class std::shared_ptr＜pcl::PointCloud＜pcl::PointXYZ＞ ＞‘ has no member named ‘__ge
lwf97055143的专栏
09-16 2195
error: 'const class std::shared_ptr' has no member named '__getMD5Sum'
error: ‘class pcl::UniformSampling＜pcl::PointXYZRGBA＞’ has no member named ‘compute’ 解决方法
m0_52162112的博客
05-11 985
这是我在运行《点云库PCL从入门到精通》书中 P239 页代码时，编译出现的错误 解决方法： 在源代码中找到调用了 uniform_sampling.compute 的两个语句，并进行如下替换即可 //uniform_sampling.compute(sampled_indices); //pcl::copyPointCloud(*model, sampled_indices.points, *model_keypoints); //将上面的两行替换为下面的一行 uniform_sampling.fil.
pcl::SACSegmentation<pcl::PointXYZ> seg;seg. setMethodType(pcl::SAC RANSAC);
10-25
在Point Cloud Library (PCL)中，`pcl::SACSegmentation<pcl::PointXYZ>` 是一个用于结构从运动（Structure from Motion, SfM）和立体视觉中的点云分割工具，它实现了RANSAC（随机抽样一致性）算法。当你创建 `seg` ...
PCL中RANSAC模型的使用
Asher_zheng的专栏
08-17 7204
RANSAC算法是什么 RANSAC算法于1981年由Fischler和Bolles提出，全程是RANdom SAmple Consensus，一般中文翻译为“随机抽样一致性算法”，它是一个迭代算法，主要用于从包含外点（outliers,可理解为噪声）的数据集中估计数学模型的参数。RANSAC算法有两个假设，第一个是假定所有的数据都是由内点和外点组成，内点可由特定参数的模型所表示...
matlabransac代码-RANSAC-Matlab-Function:RANSAC使用随机样本共识拟合线条。Matlab代码
05-25
matlab ransac代码RANSAC-Matlab-功能 RANSAC使用随机样本共识拟合线条。 Matlab代码
改进的河流流量和随机样本共识，用于曲线车道检测
03-02
改进的河流流量和随机样本共识，用于曲线车道检测
Signal Processing and Pattern Recognition in Vision_15_RANSAC：Random Sample Consensus——1981
Alliswell_WP
10-09 367
此部分是 计算机视觉中的信号处理与模式识别 与其说是讲述，不如说是一些经典文章的罗列以及自己的简单点评。与前一个版本不同的是，这次把所有的文章按类别归了类，并且增加了很多文献。分类的时候并没有按照传统的分类方法，而是划分成了一个个小的门类，比如SIFT，Harris都作为了单独的一类，虽然它们都可以划分到特征提取里面去。这样做的目的是希望能突出这些比较实用且比较流行的方法。为了以后维护...
RANSAC（随机采样一致性算法）
weixin_48147838的博客
07-19 5056
RANSAC算法简介、流程图、优缺点等的概述
PCL如何使用随机样本共识模型RANSAC
Aruchid特征工程模板
07-25 228
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。
自适应点云配准（RANSAC、ICP）
热门推荐
Hellsegamosken
11-24 1万+
FPFH 保留了 PFH 的大部分信息，但忽略了相邻点之间的计算，而是按照距离的反比将一个邻域内的点的直方图加权得到 33 维向量，效率更高。我的实现中采用了前两种。任务一和任务二的主要思路一致，都是先对点云进行降采样、滤波后计算点云特征信息（包括法向量、特征直方图、以及后续特征匹配需要的若干特征），再利用提取的特征使用 RANSAC 的方法进行粗配准，最后使用 ICP 的方法进行精配准。改进方法就是，对于源点云中的一个点，如果在目标点云中不存在和它的距离小于某个阈值的点，那么在此次迭代中就不考虑该点。
随机抽样一致性（RANSAC）算法
steft的博客
08-03 6307
转载出处：http://blog.csdn.net/luoshixian099/article/details/50217655 勿在浮沙筑高台   随机抽样一致性（RANSAC）算法，可以在一组包含“外点”的数据集中，采用不断迭代的方法，寻找最优参数模型，不符合最优模型的点，被定义为“外点”。在图像配准以及拼接上得到广泛的应用，本文将对RANSAC算法在OpenCV中角点误匹配对的检
PCL RANSAC：平面分割与阈值限制
JbPatch的博客
09-17 517
在计算机视觉和点云处理中，平面分割是一个常见的任务，用于从点云数据中提取出平面结构。其中，RANSAC（Random Sample Consensus）是一种常用的平面分割算法，它通过随机采样和迭代来估计数据中的平面模型。通过调整阈值参数，可以控制平面分割的精度和准确性。在实际应用中，还可以对分割结果进行后处理，如去除噪声点或合并相邻的平面。希望这篇文章能帮助你理解如何使用PCL中的RANSAC算法进行平面分割，并提供了相应的源代码供参考。方法来执行平面分割，并获取了分割出的内点集合和平面模型的系数。
自动化机器学习（AutoML）详解
最新发布
jun778895的博客
10-26 1020
自动化机器学习（AutoML）是指使用计算机算法和技术来自动化机器学习模型的构建和优化过程，以减少对人类专业知识和经验的依赖。其核心理念是通过自动化技术简化机器学习的流程，使非专家用户也能够利用高级机器学习模型来解决实际问题。AutoML能够自动执行数据预处理、特征工程、模型选择、超参数优化等多个步骤，大大降低了机器学习的技术门槛。
根据 #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> int main(int argc, char** argv) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); if (pcl::io::loadPCDFile<pcl::PointXYZ>("rabbit.pcd", *cloud) == -1) //* load the file { PCL_ERROR("Couldn't read file example.pcd \n"); return (-1); } std::cout << "Loaded " << cloud->width * cloud->height << " data points from example.pcd with the following fields: " << std::endl; for (size_t i = 0; i < cloud->points.size(); ++i) std::cout << " " << cloud->points[i].x << " " << cloud->points[i].y << " " << cloud->points[i].z << std::endl; return (0); }编写能读取pcd_v
06-12
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); ``` 3. 使用`pcl::io::loadPCDFile()`函数读取pcd文件： ```c++ if (pcl::io::loadPCDFile<pcl::PointXYZ>("example.pcd", *...
评论 1
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