PCL专栏目录及须知
拟合方法 | 用时 | 样本点数 | 拟合得出内点数 | 拟合百分比 | 平面方程参数 |
---|---|---|---|---|---|
LMedS | 6.59863s | 34262 | 15880 | 46.3487% | A:-0.245971,B:0.328976,C:-0.911742,D:273.254 |
RMSAC | 40.2117s | 34262 | 2418 | 7.05738% | A:-0.14948,B:-0.570804,C:0.807365,D:-191.15 |
MSAC | 0.732149s | 34262 | 14551 | 42.4698% | A:-0.198437,B:0.323444,C:-0.925206,D:275.461 |
PROSAC | 0.0931069s | 34262 | 13627 | 39.7729% | A:0.256624,B:-0.288087,C:0.922578,D:-283.215 |
Ransac | 0.093296s | 34262 | 14870 | 43.4009% | A:-0.226923,B:0.322948,C:-0.918809,D:276.486 |
MLESAC | 4.8623s | 34262 | 13580 | 39.487% | A:-0.245971,B:0.328976,C:-0.911742,D:273.254 |
本文以拟合平面为例子,如果使用其他模型:修改该处代码,按照下文其他例程使用即可。
其他模型拟合例程:
1.名词解释
(1)似然:描述已经观察到的数据在不同参数值下发生的可能性。
(2)极大似然估计:就是利用观测数据的样本结果信息,去反推最具有可能导致这些观察数据出现的模型参数值。
2.原理
MLESAC使用似然函数评价误差。当我们抽样计算出一个模型后,会使用当前的抽样以及模型生成一个高斯混合模型。之后使用这个混合模型对所有样本求似然估计。最后选取似然估计值最小的模型作为随机抽样的最终模型。
(1)按照输入模型的类型,建立相应的概率模型。
(2)根据数据和模型假设,构建似然参数。似然函数是关于参数的函数
,它描述了在给定模型下,观察到当前数据的概率。这个函数是关于参数的函数,因为它考虑了模型参数对数据概率的影响。
(3)寻找最大似然估计:在给定观测数据后,通过寻找使似然函数取得最大值的参数值,来估计模型的参数。最大似然估计的思想是选择能够最大程度解释观测数据的模型参数,使数据出现的可能性最大。
(4)参数估计:找到使似然函数最大化的参数值,这些参数值就是最大似然估计得到的模型参数。
3.完整代码
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/sample_consensus/mlesac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/console/time.h>
int main()
{
/****************MLESAC拟合(以拟合平面为例)********************/
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); // 源点云
pcl::io::loadPCDFile("D:/code/csdn/data/samp11-TIN.pcd", *cloud);
pcl::SampleConsensusModelPlane<pcl::PointXYZ>::Ptr modelPlane(new pcl::SampleConsensusModelPlane<pcl::PointXYZ>(cloud)); // 待拟合平面点云对象
pcl::PointCloud<pcl::PointXYZ>::Ptr cloudInliers(new pcl::PointCloud<pcl::PointXYZ>); // 拟合出平面的内点
// MLESAC
pcl::console::TicToc time; time.tic();
pcl::MaximumLikelihoodSampleConsensus<pcl::PointXYZ> MLESAC(modelPlane); // MLESAC算法模型
MLESAC.setDistanceThreshold(3.0); // 距离阈值
MLESAC.setMaxIterations(500); // 最大迭代次数
MLESAC.setEMIterations(300); // 设置EM最大迭代次数
MLESAC.computeModel(); // 拟合平面
Eigen::VectorXf MLESACCof;
MLESAC.getModelCoefficients(MLESACCof); // 获取模型参数
std::vector<int> MLESACInliers; // 获取属于拟合出平面的内点
MLESAC.getInliers(MLESACInliers);
pcl::copyPointCloud(*cloud, MLESACInliers, *cloudInliers);
std::cout << "MLESAC计算时间:" << time.toc() / 1000 << "s" << std::endl;
std::cout << "MLESAC原始点数:" << cloud->size() << std::endl;
std::cout << "MLESAC拟合点数:" << MLESACInliers.size() << std::endl;
std::cout << "MLESAC拟合百分比:" << ((double)MLESACInliers.size() / (double)cloud->size()) * 100 << "%" << std::endl;
std::cout << "MLESAC平面参数:" << "A:" << MLESACCof[0] << ",B:" << MLESACCof[1] << ",C:" << MLESACCof[2] << ",D:" << MLESACCof[3] << std::endl;
/****************展示********************/
boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLESAC"));
viewer->addPointCloud<pcl::PointXYZ>(cloud, "cloud");
viewer->addPointCloud<pcl::PointXYZ>(cloudInliers, pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>(cloudInliers, 255, 0, 0), "cloudInliers");
while (!viewer->wasStopped())
{
viewer->spinOnce(100);
boost::this_thread::sleep(boost::posix_time::microseconds(100000));
}
return (0);
}