PCL RANSAC随机采样一致性拟合（拟合平面为例）（SampleConsensus_Ransac）

Ransac为最常用的拟合模型方法。

PCL拟合模型方法效果对比

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：

PCL 拟合二维圆（以RANSAC为例）

PCL 拟合三维圆（以RANSAC为例）

PCL 拟合直线（以RANSAC为例）

PCL 拟合球体（以RANSAC为例）

PCL 拟合圆柱（以RANSAC为例）

PCL 拟合圆锥（以RANSAC为例）

1.RANSAC介绍

RANSAC是一种从包含离群值数据中估计数学模型参数的迭代方法。RANSAC算法假设数据中包含局内点和局外点，局内点可由一组特定参数的数学模型描述，而局外点无法满足该模型。

2.ransac拟合流程（以拟合平面为例）

在进行平面拟合时，RANSAC会随机选择三个点，然后计算这三个点确定的平面模型。然后，RANSAC会计算其他所有点到这个平面的距离，并根据一个预设的阈值来判断这些点是否符合这个平面模型。不停重复以上步骤，只到符合距离阈值或者达到迭代次数。

（1）随机选择最小样本集：RANSAC首先会随机选择三个点作为最小样本集。

（2）构建模型：RANSAC会根据这三个点计算出一个平面模型。

（3）计算误差：计算其他所有点到这个平面的距离，这个距离就是每个点的误差。

（4）确定内点：会根据一个预设的阈值来判断每个点是否为内点，也就是说，如果一个点的误差小于这个阈值，那么就认为这个点符合平面模型，将其标记为内点。

（5）更新模型：如果内点的数量超过了之前的最大内点数量，那么就用所有的内点来更新平面模型。

（6）迭代：不停迭代，直到小于距离阈值或者达到最大迭代数，停止迭代，得到最优模型。

3.注意事项

Ransac为最常用的拟合模型方法。

4.代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/sample_consensus/ransac.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()
{
    /****************ransac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

    // ransac随机采样一致性
    pcl::console::TicToc time; time.tic();
    pcl::RandomSampleConsensus<pcl::PointXYZ> ransac(modelPlane);                   // RANSAC算法模型
    ransac.setDistanceThreshold(3.0);                                               // 距离阈值
    ransac.setMaxIterations(500);                                                   // 最大迭代次数
    ransac.computeModel();                                                          // 拟合平面
    Eigen::VectorXf ransacCof;
    ransac.getModelCoefficients(ransacCof);                                         // 获取模型参数
    std::vector<int> ranSacInliers;                                                 // 获取属于拟合出平面的内点
    ransac.getInliers(ranSacInliers);
    pcl::copyPointCloud(*cloud, ranSacInliers, *cloudInliers);

    std::cout << "ransac计算时间:" << time.toc() / 1000 << "s" << std::endl;
    std::cout << "ransac原始点数:" << cloud->size() << std::endl;
    std::cout << "ransac拟合点数:" << ranSacInliers.size() << std::endl;
    std::cout << "ransac拟合百分比:" << ((double)ranSacInliers.size() / (double)cloud->size()) * 100 << "%" << std::endl;
    std::cout << "ransac平面参数:" << "A:" << ransacCof[0] << ",B:" << ransacCof[1] << ",C:" << ransacCof[2] << ",D:" << ransacCof[3] << std::endl;

    /****************展示********************/
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("ransac"));
    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);
}

5.结果展示

打印

可视化结果：