目录
一、深入理解RSNSAC
二、RANSAC的缺点
三、PCL中常用的Sample Consensus 算法
四、参考资料
一、深入理解RSNSAC
RANSAC是“RANdom SAmple Consensus”（随机抽样共识或采样一致性）的缩写，它是一种迭代方法，用于从包含异常值的一组数据中估计数学模型的参数。该算法由Fischler和Bolles于1981年发布。
RANSAC算法假定我们要查看的所有数据均由内部值和异常值组成。可以用带有一组特定参数值的模型来解释离群值，而离群值在任何情况下都不适合该模型。其过程可以从数据中估计所选模型的最佳参数。
PCL 中以随机采样一致性算法( RANSAC) 为核心，实现了五种类似于RANSAC的随机参数估计算法，例如随机采样一致性估计（RANSAC ) 、最大似然一致性估计 （MLESAC ) 、最小中值方差一致性估计 ( LMEDS )等，所有的估计参数算法都符合一致性准则。利用RANSAC可以实现点云分割，目前 PCL 中支持的几何模型分割有空间平面、直线、二维或三维圆、圆球、锥体等 。 RANSAC的另一应用就是点云的配准对的剔除。
简单总结下RANSAC步骤：
RANSAC 通过迭代选择原始数据的一个随机子集来实现其目标。这些数据被假设为内点，然后通过以下步骤来检验这一假设：
- 拟合一个模型到这些假设的内点上，即从这些内点重建模型的所有自由参数。
- 然后将所有其他数据点与拟合的模型进行测试，如果一个点与估计的模型非常匹配，也将其视为假设的内点。
- 如果有足够多的点被分类为假设的内点，则估计的模型相当不错。
- 因为模型仅从初始的假设内点集中估计得到，因此需要从所有假设的内点重新估计模型。
- 最后&#x
)
)
