Ransac为最常用的拟合模型方法。
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.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: