当前位置： 首页 > article >正文

【PCL】sample_consensus 模块—— Random Sample Consensus model（随机样本一致性模型，RANSAC）

article 2025/1/19 12:31:10

1、随机样本一致性模型（RANSAC）简介

在本教程中，我们将学习如何使用带有平面模型的随机样本一致性（RANSAC）来获取适合该模型的点云。

1.1理论背景

RANSAC 是“随机样本一致性”（RANdom SAmple Consensus）的缩写，它是一种迭代方法，用于从包含异常值的数据集中估计数学模型的参数。该算法由 Fischler 和 Bolles 于 1981 年提出。RANSAC 算法假设我们观察到的数据由内点和异常值组成。内点可以通过具有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，存在一种可以从数据中最佳估计所选模型参数的程序。

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，然后通过以下步骤测试该假设：

  1. 将模型拟合到假设的内点，即从内点重建模型的所有自由参数。
  2. 然后，所有其他数据都针对拟合模型进行测试，如果某个点与估计模型拟合良好，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，则估计的模型是合理的。
  4. 从所有假设的内点重新估计模型，因为它仅从初始的假设内点集中估计。
  5. 最后，通过估计内点相对于模型的误差来评估模型。

此过程重复固定次数，每次生成一个由于分类为内点的点太少而被拒绝的模型，或者生成一个带有相应误差度量的改进模型。在后一种情况下，如果其误差低于上次保存的模型，则保留改进的模型。

RANSAC 的一个优点是它能够对模型参数进行鲁棒估计，即即使数据集中存在大量异常值，它也可以高精度地估计参数。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，甚至可能不是一个很好地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，生成合理模型的概率会增加。RANSAC 的另一个缺点是它需要设置特定问题的阈值。

RANSAC 只能估计一个特定数据集的一个模型。对于任何单一模型方法，当存在两个（或更多）模型时，RANSAC 可能无法找到任何一个。

1.2图像示例

左侧和右侧的图像展示了 RANSAC 算法在二维数据集上的简单应用。左侧的图像是包含内点和异常值的数据集的视觉表示。右侧的图像以红色显示所有异常值，并以蓝色显示内点。蓝线是 RANSAC 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。

2、代码实现

2.1 RandomSampleConsensusModel.cpp

#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;
 }

2.2 CMakeLists.txt

cmake_minimum_required(VERSION 3.5 FATAL_ERROR)

project(random_sample_consensus)

find_package(PCL 1.2 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (${PROJECT_NAME} RandomSampleConsensusModel.cpp)
target_link_libraries (${PROJECT_NAME} ${PCL_LIBRARIES})

3、代码运行结果

  • 编译
mkdir build && cd build
cmake ..
make

3.1 原始点云

  • 运行1(不做处理)，显示原始点云，可以看出点云的组织很少，而且它包含许多异常值。
./random_sample_consensus

在这里插入图片描述

3.2 平面模型

  • 运行2，选择的特定模型（在本例中是平面），可以看到所有点云都在一个平面模型内。
./random_sample_consensus -f

在这里插入图片描述

3.3 球形模型

  • 运行3，选择的特定模型（在本例中是球形），可以看到所有点云都在一个平面模型内。
./random_sample_consensus -sf

在这里插入图片描述

4、代码解读

代码通过 RANSAC（随机样本一致性）算法，用于从点云数据中拟合平面或球体模型。以下是代码的详细解读：

4.1 可视化函数 simpleVis

pcl::visualization::PCLVisualizer::Ptr
simpleVis (pcl::PointCloud<pcl::PointXYZ>::ConstPtr 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->initCameraParameters ();
  return (viewer);
}
  • 功能：创建一个 3D 可视化窗口，并将点云数据添加到窗口中。
  • 参数：
    • cloud：输入的点云数据。
  • 实现细节：
    • 设置背景颜色为黑色。
    • 添加点云并设置点的大小为 3。
    • 初始化相机参数。

4.2 初始化点云

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr final (new pcl::PointCloud<pcl::PointXYZ>);

cloud->width    = 500;
cloud->height   = 1;
cloud->is_dense = false;
cloud->points.resize (cloud->width * cloud->height);
  • 创建一个包含 500 个点的点云对象 cloud，并初始化其属性。
  • final 用于存储 RANSAC 拟合后的内点。

4.3 生成随机点云数据

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);
  }
}
  • 功能：生成随机点云数据。
  • 逻辑：
    • 如果命令行参数包含 -s 或 -sf，生成球体模型的点云数据。
    • 否则，生成平面模型的点云数据。
  • 球体模型：
    • 大部分点分布在球体表面（通过 sqrt(1 - x² - y²) 计算）。
    • 少量点随机分布在空间中（i % 5 == 0 时随机生成）。
  • 平面模型：
    • 点的 z 值由 - (x + y) 决定，形成一个平面。

4.4 RANSAC 模型拟合

std::vector<int> inliers;

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);
}
  • 功能：使用 RANSAC 拟合平面或球体模型。
  • 逻辑：
    • 如果命令行参数包含 -f，拟合平面模型。
    • 如果命令行参数包含 -sf，拟合球体模型。
  • 关键参数：
    • setDistanceThreshold(.01)：设置内点的距离阈值。
    • computeModel()：计算模型。
    • getInliers(inliers)：获取内点的索引。

4.5 提取内点

pcl::copyPointCloud (*cloud, inliers, *final);
  • 将 RANSAC 找到的内点从原始点云复制到 final 点云中。

4.6 可视化

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);
}
  • 功能：可视化点云。
  • 逻辑：
    • 如果命令行参数包含 -f 或 -sf，显示拟合后的内点。
    • 否则，显示原始点云。
  • 刷新窗口：每 100 毫秒刷新一次。

http://www.kler.cn/a/509256.html

相关文章：

  • LLM - 大模型 ScallingLaws 的迁移学习与混合训练(PLM) 教程(3)
  • Redis瓶颈和调优
  • Linux 管道操作
  • USB 驱动开发 --- Gadget 驱动框架梳理(一)
  • 玩转大语言模型——使用graphRAG+Ollama构建知识图谱
  • JavaEE之CAS
  • C 语言的void*到底是什么？
  • VScode运行NPM脚本时出现“终端将被任务重用，按任意键关闭”？亲测有效解决方法
  • PHP加密确保通信安全
  • Jenkins-基于Role的鉴权机制
  • C++中string笔记杂谈
  • spring boot问题Invalid bound statement (not found)出现原因以及解决办法
  • 网络安全中攻击溯源有哪些方法?
  • Java锁 从乐观锁和悲观锁开始讲 面试复盘
  • wsl 使用 docker
  • 细说STM32F407单片机电源低功耗SleepMode模式及应用示例
  • ASP.NET Core - 配置系统之配置提供程序
  • 【Linux系列】查看服务器是否使用了 SSD 的多种方法
  • Spark Streaming的核心功能及其示例PySpark代码
  • Linux——线程的慨念及控制
  • Oracle数据库传统审计怎么用
  • 网络安全构成要素
  • 基于高光谱数据的叶片水分估测方法研究 【Matlab Python Origin】
  • 用c语言实现哈希表：03_hashing （哈希函数设计）
  • Flask学习入门笔记
  • 电梯系统的UML文档05