【点云处理】随机采样一致性算法

随机采样一致性算法在计算机视觉领域有着广泛的运用,在点云分割中,经常用到随机采样一致性算法,所以就仔细研究了一下该算法,并记下了一些便于理解的笔记。

采样一致性参数估计算法主要用于排除错误样本,可以从一组包含“局外点”的观测数据中,通过迭代的方式估计数学模型参数。

RANSAC随机采样一致性算法:

先从样本中随机抽选出一个样本子集,然后使用最小方差估计算法对这个子集计算模型参数,然后计算所有样本与该模型的偏差,再用一个预先设定好的阈值与偏差进行比较,当偏差小于阈值时,则该点标记为样本内点,否则剔除。记录内点的个数,然后重复这一过程,每一次重复,都记录下最佳模型参数(即样本内点个数最多),每一次迭代后,会根据期望的误差率、总样本个数、当前迭代次数计算一个迭代结束评判因子,根据此来决定迭代结束。

这个算法里面有两个问题:1、阈值的设定   2、迭代的次数 

LMedS最小中值方差估计算法:

与RANSAC算法前面部分流程都差不多,不同的是LMedS记录的是所有样本中,偏差值居中的那个样本的偏差,以及本次计算得到的模型参数。因此就不需要在预先设置阈值了,重复前面的过程N次,从N个偏差中选出一个最小的,他对应的模型参数就是最终的模型参数估计值

该算法已经在PCL点云库中实现了,具体的代码,在点云分割中一起写吧,打那么多字有点累~

 

 

 

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页