点云 RANSAC 平面拟合学习笔记

目录

RANSAC 平面拟合原理

假设你有一堆 3D 点（可能属于多个物体+地面），想找出那些属于一个平面的点（比如地面）。

✅ 步骤如下：

四、RANSAC 平面拟合的优缺点

优点：

缺点：

点云聚类分割 + 每个局部区域做平面拟合（PCA）

地面检测流程：

1.RANSAC 平面拟合

2.对地面点云 (ground_pcd) 进行聚类，筛选出最大一簇（最主要的地面区域）

RANSAC 平面拟合原理

假设你有一堆 3D 点（可能属于多个物体+地面），想找出那些属于一个平面的点（比如地面）。

✅ 步骤如下：

1. 随机选 3 个点（因为 3 个点能确定一个平面）；

2. 用这 3 个点拟合一个平面（即求平面方程 ax + by + cz + d = 0）；

3. 计算所有点到这个平面的距离；

4. 统计“内点”数量：

   • 如果某点到平面的距离 < threshold，就认为它在这个平面上（是“内点”）；

5. 记录这个平面内点数；

6. 重复以上过程 N 次（比如 500 次），每次选不同的 3 个点；

7. 选择内点最多的平面作为最终拟合结果；

8. （可选）用找到的内点重新精确拟合平面。

四、RANSAC 平面拟合的优缺点

优点：

• 抗噪声能力强：能有效排除外点对拟合结果的影响。
• 无需先验知识：无需提前知道内点和外点的分布。
• 实现简单：算法流程清晰，易于编程实现。

缺点：

• 计算复杂度高：迭代次数随内点比例降低而增加，大数据集下耗时较长。
• 参数敏感性：阈值 t 和迭代次数 N 的设定影响结果精度。
• 依赖初始抽样：若最优平面的内点未被首次抽样选中，可能需要更多迭代。

点云聚类分割 + 每个局部区域做平面拟合（PCA）

import open3d as o3d
import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

def pca_fit_plane(points):
    # PCA 拟合平面，返回平面法向量和中心
    centroid = np.mean(points, axis=0)
    pca = PCA(n_components=3)
    pca.fit(points)
    normal = pca.components_[-1]  # 最小特征值方向是法向量
    return normal, centroid

def segment_and_fit_planes(pcd, eps=0.05, min_points=30):
    # 使用 DBSCAN 进行聚类
    labels = np.array(pcd.cluster_dbscan(eps=eps, min_points=min_points, print_progress=True))
    max_label = labels.max()

    print(f"Detected {max_label + 1} clusters")

    planes = []
    colors = plt.get_cmap("tab20")(labels / (max_label + 1 if max_label > 0 else 1))
    colors[labels < 0] = 0  # 噪声为黑色
    pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])

    for i in range(max_label + 1):
        indices = np.where(labels == i)[0]
        cluster = pcd.select_by_index(indices)
        if len(cluster.points) < 3:
            continue
        pts = np.asarray(cluster.points)
        normal, center = pca_fit_plane(pts)
        planes.append((normal, center))

        print(f"[Cluster {i}] Center: {center}, Normal: {normal}")

    return planes, pcd

if __name__ == "__main__":
    # 加载点云（你可以替换为自己的文件）
    pcd = o3d.io.read_point_cloud("example.ply")

    # 可选：下采样加快处理
    pcd = pcd.voxel_down_sample(voxel_size=0.02)

    planes, colored_pcd = segment_and_fit_planes(pcd, eps=0.05, min_points=50)

    # 可视化聚类结果
    o3d.visualization.draw_geometries([colored_pcd])