RANSAC平面拟合理论和代码---PCL源码笔记

Tianchao龙虾

已于 2022-07-11 14:38:27 修改

阅读量4.8k

点赞数 5

分类专栏：技术笔记文章标签：平面线性代数算法

于 2022-07-07 21:35:36 首次发布

本文链接：https://blog.csdn.net/wuchaohuo724/article/details/125667541

版权

技术笔记专栏收录该内容

6 篇文章 1 订阅

订阅专栏

RANSAC平面拟合理论和代码—PCL源码笔记

RANSAC平面拟合的原理，首先知道如何定义平面，求平面的方程，求平面的法向量，以及求点到平面的距离。 其次，需要了解RANSAC的原理和公式。

一、平面相关定义

我们知道 $A x + B y + C z + d = 0$ 是平面方程的定义。我们知道，三个点是可以形成一个平面的，因此如果给定三个点，假设 $p_0, p_1, p_2$ ，求这三个点所形成的平面，可根据以下步骤:

求两点之间的向量 $\vec{p_1p_0}, \vec{p_2 p_0}$
$p_1 p_0 = p_1 - p_0 = (l, m, n)\\ p_2 p_0 = p_2 - p_0 = (o, p, q)$
求两向量的向量积，即 $\vec{p_1p_0} \times \vec{p_2 p_0}$
$\vec{p_1p_0} \times \vec{p_2 p_0} = (mq-np, no-lq, lp-mo)$
所得向量积即为平面方程 $A x + B y + C z + d = 0$ 的法向量
$A = mq-np \\ B = no-lq \\ C = lp-mo \\ d = - (Ax_0+ By_0 + Cz_0)$
点到平面的距离
先来看一下向量在轴上的投影:
设A，B 两点 $x$ 轴上的投影分别为 $A_1, B_1$ ，则向量 $\vec{A_1B_1}$ 的长度 $||\vec{A_1B_1}||$ 成为向量 $\vec{AB}$ 在 $x$ 轴上的投影，记为 $Prj_x \vec{A_1B_1}$ 。设 $\vec{A_1 B_1}$ 。设 $\vec{AB}$ 与 $x$ 轴之间夹角为 $\alpha$ ，则

$Prj_x \vec{AB} = ||\vec{A_1B_1}|| = |\vec{AB}|| cos \alpha$

点到平面的距离计算
向量法计算点到平面的距离，就是把点和平面放在直角坐标系下进行计算。这样，点和平面均可用坐标来表示（如图1所示）。

假设平面方程为:
$A x + B y + C z + d = 0$

设向量 $\vec{n} = (A, B, C)$ 为平面的法向量，平面外一点 $M_1$ ，坐标为 $x_1, y_1, z_1)$ ，在平面上取一点 $M_0$ ，则点 $M_1$ 到平面的距离 $d$ 为:

$Prj_{\vec{n}} \vec{M_0 M_1} = ||\vec{M_0 M_1}|| cos \alpha$

其中 $\alpha$ 为向量 $\vec{n}$ 与向量 $\vec{M_0 M_1}$ 的夹角，

$\cos \alpha = \frac{\vec{M_0 M_1} \cdot \vec{n}} {||\vec{M_0 M_1}|| \cdot ||\vec{n}||}$

因此，
$\frac{\vec{M_0 M_1} \cdot \vec{n} }{||\vec{n}||}$

二、RANSAC原理

理解完平面的定义，法向量求解和点到平面的距离，我们就可以继续探讨RANSAC拟合平面的关键算法： RANSAC算法。

RANSAC算法有以下步骤：

随机选取三个点，根据平面方程 $A x + B y + C z + d = 0$ ，计算模型参数。
用剩余的点计算到该平面方程的距离，将距离与所设定的阈值做比较，如果小于，则该点为内点;否则为外点。统计该参数模型下内点的个数。
继续执行上面两步，若当前模型的内点数量大于已经保存的最大内点数量，则变更新的模型参数，保留模型参数始终是内点数量最多的模型参数。
重复上述三步，不断迭代，直到达到迭代阈值，找到内点个数最多的模型参数，最后用内点再次对模型参数进行估计，从而得到最终的模型参数。

上面有个阈值需要关注，迭代阈值。 我们如何知道迭代的次数呢？其实，这个值是可以估算出来的:

假设内点在数据中的占比为 $p$ ，那么每次计算模型使用 $k$ 个点的情况下，选取点为内点的概率为 $p^k$ ，选取的点为外点的概率为 $1-p^k$ ，因此尝试 $S$ 次失败的概率为:
$1-P = (1-p^k)^S$
都为内点的概率为:
$P = 1- (1-p^k)^S$

通过上面的式子，得到最终需要尝试的次数为:
$\frac{\log(1-P)}{\log(1-p^k)}$

但是，通常一开始我们无法知道内点在数据中的占比 $p$ 这个先验，因此可以使用自适应迭代次数的方法。也就是一开始设定一个无穷大的迭代次数，然后每次更新模型参数估计的时候，用当前的内点比值当成 $p$ 来估算出迭代次数。又或者设置一个最大的迭代数，但是往往可能无法达到最优解。

三、PCL平面拟合

PCL官方使用RANSAC你和平面的模板。

pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
// Create the segmentation object
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setModelType (pcl::SACMODEL_PLANE);
seg.setMethodType (pcl::SAC_RANSAC);
seg.setDistanceThreshold (0.01);

seg.setInputCloud (cloud);
seg.segment (*inliers, *coefficients);

步骤如下:

1. 定义平面模型参数，和内点索引。
2. 声明分割模型，并设置模型的类别PLANE，拟合模型的方法RANSAC，距离阈值0.01。
3. 设置输入，并获得结果。

1. segment函数

主要关注一下segment这个模板函数，在PCL源码中的sac_segmentation.hpp文件里。下面进行了精简，方便理解。

template <typename PointT> void
pcl::SACSegmentation<PointT>::segment (PointIndices &inliers, ModelCoefficients &model_coefficients){

    // Copy the header information
    inliers.header = model_coefficients.header = input_->header;
    ... 

    // 计算模型
    if (!sac_->computeModel (0))
    {
        PCL_ERROR ("[pcl::%s::segment] Error segmenting the model! No solution found.\n", getClassName ().c_str ());
        deinitCompute ();
        inliers.indices.clear (); model_coefficients.values.clear ();
        return;
    }

    // 获取内点
    sac_->getInliers (inliers.indices);

    // 获取模型参数
    Eigen::VectorXf coeff (model_->getModelSize ());
    sac_->getModelCoefficients (coeff);

    // 如果用户需要优化模型参数
    if (optimize_coefficients_)
    {
        Eigen::VectorXf coeff_refined (model_->getModelSize ());
        model_->optimizeModelCoefficients (inliers.indices, coeff, coeff_refined);
        model_coefficients.values.resize (coeff_refined.size ());
        memcpy (&model_coefficients.values[0], &coeff_refined[0], coeff_refined.size () * sizeof (float));
        // Refine inliers
        model_->selectWithinDistance (coeff_refined, threshold_, inliers.indices);
    }else
    {
        model_coefficients.values.resize (coeff.size ());
        memcpy (&model_coefficients.values[0], &coeff[0], coeff.size () * sizeof (float));
    }

    ...

}

2. computeModel函数

上面的平面拟合计算主要在sac_->computeModel (0)这一句。也就是在computeModel这个模板函数，在PCL源码ransac.hpp中实现。为了方便阅读理解，精简了源码。

template <typename PointT> bool
pcl::RandomSampleConsensus<PointT>::computeModel (int)
{
  // Warn and exit if no threshold was set
  if (threshold_ == std::numeric_limits<double>::max())
  {
    PCL_ERROR ("[pcl::RandomSampleConsensus::computeModel] No threshold set!\n");
    return (false);
  }

  iterations_ = 0;
  std::size_t n_best_inliers_count = 0;
  double k = std::numeric_limits<double>::max();

  Indices selection;
  Eigen::VectorXf model_coefficients (sac_model_->getModelSize ());

  const double log_probability  = std::log (1.0 - probability_);
  const double one_over_indices = 1.0 / static_cast<double> (sac_model_->getIndices ()->size ());

  unsigned skipped_count = 0;

  // suppress infinite loops by just allowing 10 x maximum allowed iterations for invalid model parameters!
  const unsigned max_skip = max_iterations_ * 10;

  int threads = threads_;

    // Iterate
    while (true) // infinite loop with four possible breaks
    {
      // Get X samples which satisfy the model criteria
      // 随机获取样本
      {
        sac_model_->getSamples (iterations_, selection); // The random number generator used when choosing the samples should not be called in parallel
      }

      if (selection.empty ())
      {
        PCL_ERROR ("[pcl::RandomSampleConsensus::computeModel] No samples could be selected!\n");
        break;
      }

      // Search for inliers in the point cloud for the current plane model M
      // 计算模型参数
      if (!sac_model_->computeModelCoefficients (selection, model_coefficients)) // This function has to be thread-safe
      {
        //++iterations_;
        unsigned skipped_count_tmp;

        skipped_count_tmp = ++skipped_count;
        if (skipped_count_tmp < max_skip)
          continue;
        else
          break;
      }

      // Select the inliers that are within threshold_ from the model
      //sac_model_->selectWithinDistance (model_coefficients, threshold_, inliers);
      //if (inliers.empty () && k > 1.0)
      //  continue;

      // 计算点到平面的距离
      std::size_t n_inliers_count = sac_model_->countWithinDistance (model_coefficients, threshold_); // This functions has to be thread-safe. Most work is done here

      std::size_t n_best_inliers_count_tmp;

      n_best_inliers_count_tmp = n_best_inliers_count;

      if (n_inliers_count > n_best_inliers_count_tmp) // This condition is false most of the time, and the critical region is not entered, hopefully leading to more efficient concurrency
      {
          // Better match ?
          if (n_inliers_count > n_best_inliers_count)
          {
            n_best_inliers_count = n_inliers_count; // This write and the previous read of n_best_inliers_count must be consecutive and must not be interrupted!
            n_best_inliers_count_tmp = n_best_inliers_count;

            // Save the current model/inlier/coefficients selection as being the best so far
            model_              = selection;
            model_coefficients_ = model_coefficients;

            // Compute the k parameter (k=std::log(z)/std::log(1-w^n))
            // 计算迭代次数 k 
            const double w = static_cast<double> (n_best_inliers_count) * one_over_indices;
            double p_no_outliers = 1.0 - std::pow (w, static_cast<double> (selection.size ()));
            p_no_outliers = (std::max) (std::numeric_limits<double>::epsilon (), p_no_outliers);       // Avoid division by -Inf
            p_no_outliers = (std::min) (1.0 - std::numeric_limits<double>::epsilon (), p_no_outliers);   // Avoid division by 0.
            k = log_probability / std::log (p_no_outliers);
          } 
      }

      int iterations_tmp;
      double k_tmp;

      iterations_tmp = ++iterations_;

      k_tmp = k;

      if (iterations_tmp > k_tmp)
        break;
      if (iterations_tmp > max_iterations_)
      {
        PCL_DEBUG ("[pcl::RandomSampleConsensus::computeModel] RANSAC reached the maximum number of trials.\n");
        break;
      }
    } // while



  if (model_.empty ())
  {
    PCL_ERROR ("[pcl::RandomSampleConsensus::computeModel] RANSAC found no model.\n");
    inliers_.clear ();
    return (false);
  }

  // Get the set of inliers that correspond to the best model found so far
  sac_model_->selectWithinDistance (model_coefficients_, threshold_, inliers_);
  return (true);
}

3. computeModelCoefficients函数

然后可以看到，computeModelCoefficients 函数，就是用于计算平面参数的，即平面法向量，和上面的理论一一对应：

template <typename PointT> bool
pcl::SampleConsensusModelPlane<PointT>::computeModelCoefficients (
      const Indices &samples, Eigen::VectorXf &model_coefficients) const
{
  // Need 3 samples
  if (samples.size () != sample_size_)
  {
    PCL_ERROR ("[pcl::SampleConsensusModelPlane::computeModelCoefficients] Invalid set of samples given (%lu)!\n", samples.size ());
    return (false);
  }

  pcl::Array4fMapConst p0 = (*input_)[samples[0]].getArray4fMap ();
  pcl::Array4fMapConst p1 = (*input_)[samples[1]].getArray4fMap ();
  pcl::Array4fMapConst p2 = (*input_)[samples[2]].getArray4fMap ();

  // Compute the segment values (in 3d) between p1 and p0
  Eigen::Array4f p1p0 = p1 - p0;
  // Compute the segment values (in 3d) between p2 and p0
  Eigen::Array4f p2p0 = p2 - p0;

  // Avoid some crashes by checking for collinearity here
  Eigen::Array4f dy1dy2 = p1p0 / p2p0;
  if ( p2p0.isZero() || ((dy1dy2[0] == dy1dy2[1]) && (dy1dy2[2] == dy1dy2[1])) )          // Check for collinearity
  {
    return (false);
  }

  // Compute the plane coefficients from the 3 given points in a straightforward manner
  // calculate the plane normal n = (p2-p1) x (p3-p1) = cross (p2-p1, p3-p1)
  model_coefficients.resize (model_size_);
  model_coefficients[0] = p1p0[1] * p2p0[2] - p1p0[2] * p2p0[1];
  model_coefficients[1] = p1p0[2] * p2p0[0] - p1p0[0] * p2p0[2];
  model_coefficients[2] = p1p0[0] * p2p0[1] - p1p0[1] * p2p0[0];
  model_coefficients[3] = 0.0f;

  // Normalize
  model_coefficients.normalize ();

  // ... + d = 0
  model_coefficients[3] = -1.0f * (model_coefficients.template head<4>().dot (p0.matrix ()));

  PCL_DEBUG ("[pcl::SampleConsensusModelPlane::computeModelCoefficients] Model is (%g,%g,%g,%g).\n",
             model_coefficients[0], model_coefficients[1], model_coefficients[2], model_coefficients[3]);
  return (true);
}

4. countWithinDistance函数

得到平面方程之后，需要计算点到平面的距离 countWithinDistance函数。

template <typename PointT> std::size_t
pcl::SampleConsensusModelPlane<PointT>::countWithinDistance (
      const Eigen::VectorXf &model_coefficients, const double threshold) const
{
  // Needs a valid set of model coefficients
  if (!isModelValid (model_coefficients))
  {
    PCL_ERROR ("[pcl::SampleConsensusModelPlane::countWithinDistance] Given model is invalid!\n");
    return (0);
  }
  return countWithinDistanceStandard (model_coefficients, threshold);
}


pcl::SampleConsensusModelPlane<PointT>::countWithinDistanceStandard (
      const Eigen::VectorXf &model_coefficients, const double threshold, std::size_t i) const
{
  std::size_t nr_p = 0;
  // Iterate through the 3d points and calculate the distances from them to the plane
  for (; i < indices_->size (); ++i)
  {
    // Calculate the distance from the point to the plane normal as the dot product
    // D = (P-A).N/|N|
    Eigen::Vector4f pt ((*input_)[(*indices_)[i]].x,
                        (*input_)[(*indices_)[i]].y,
                        (*input_)[(*indices_)[i]].z,
                        1.0f);
    if (std::abs (model_coefficients.dot (pt)) < threshold)
    {
      nr_p++;
    }
  }
  return (nr_p);
}

值得注意的是，这里只有dot product，而公式：
$\frac{\vec{M_0 M_1} \cdot \vec{n} }{||\vec{n}||}$

是有 $\frac{\vec{n}}{||\vec{n}||}$ ，而代码中没有是因为computeModelCoefficients函数中已经normalize法向量了。

Conclusion

至此，RANSAC 平面拟合的理论和相关的PCL源码学习到此了。但是RANSAC经过了那么多年的发展，已经衍生了很多优化版本。以后有机会会继续学习的。

Reference

PCL平面分割, https://pcl.readthedocs.io/projects/tutorials/en/master/planar_segmentation.html#planar-segmentation
点到平面距离, https://baike.baidu.com/item/%E7%82%B9%E5%88%B0%E5%B9%B3%E9%9D%A2%E8%B7%9D%E7%A6%BB/10690055?fr=aladdin