PCL之RANSAC

三维重建-光栅投影

444人浏览 · 2026-03-27 10:04:03

三维重建-光栅投影 · 2026-03-27 10:04:03 发布

RANSAC 学习路线与原理框架：从几何本质到工程应用

该博客非vip，如果被改为vip请后台联系。

一、前言

在点云处理、计算机视觉和几何估计中，经常会遇到这样一类问题：

想从一堆点中拟合一条直线
想从点云中提取一个平面
想从带噪数据中找到主要几何结构

如果数据中只有少量高斯噪声，那么最小二乘往往已经够用。
但现实工程中，数据里通常还会混入很多外点（outliers），例如：

测量误差较大的异常点
背景干扰点
错误匹配点
其他结构上的点
浮点噪声或毛刺点

这时候，普通最小二乘往往会被这些外点严重带偏。
RANSAC（Random Sample Consensus）正是在这种背景下提出的一种经典鲁棒估计方法。

它的核心目标不是“单纯拟合一个模型”，而是：

在存在大量外点的情况下，仍然找到由主要内点支持的几何模型。

本文从学习路线的角度，系统整理 RANSAC 应该怎么学，以及它背后的几何本质、数学逻辑、工程意义和实践建议。

二、RANSAC 到底在解决什么问题

2.1 模型估计问题

很多几何任务，本质上都是模型估计问题。
例如：

用两点确定一条直线
用三点确定一个平面
用点集拟合圆、圆柱、球面

这些任务本质上都是：

已知一组观测数据，求一个最能解释这些数据的几何模型参数。

2.2 为什么普通最小二乘会失败

最小二乘法的前提通常是：

大部分点都来自同一个真实模型
噪声是小扰动
没有严重离群点

但在实际数据中，往往会有一部分点根本不属于目标模型。
例如拟合一条直线时，数据中可能混有很多随机点。

这时如果直接最小二乘，结果会出现两个问题：（因为最小二乘优化的是整体目标函数最优，因此噪声越多最小二乘越差）

模型被少量大偏差点拉偏
模型不再代表真正的主结构

因此，问题不再只是“拟合”，而是：

在一堆混杂数据中，先识别出哪些点支持同一个模型。

这正是 RANSAC 的出发点。

三、RANSAC 的核心思想

RANSAC 的名字可以拆成两部分：

Random Sample：随机采样
Consensus：一致性

它的核心思想可以概括成一句话：

通过不断随机抽取最小样本集生成模型假设，再用全体数据验证这个模型能获得多少支持，最终选择支持最多的模型。

这个思想可以分成四步。

3.1 第一步：随机抽取最小样本集

对于某种几何模型，先随机抽取一组足以确定模型的最小点集。

例如：

直线：2 个点
平面：3 个点
圆：3 个点

这组点叫做最小采样集（Minimal Sample Set）。

3.2 第二步：由样本生成模型假设

利用这组最小样本，直接求出一个候选模型。
例如：

两点求一条直线
三点求一个平面

这一步生成的模型叫做假设（Hypothesis）。

3.3 第三步：用所有点验证该模型

把这个候选模型拿去检查所有数据点，判断每个点到该模型的距离是否小于某个阈值。

如果满足：

$d(p_i,\text{model}) < \tau$

那么该点就被认为是这个模型的内点（Inlier）。

所有内点组成的集合，叫做该模型的一致集（Consensus Set）。

3.4 第四步：重复多次，选最优模型

不断重复以上过程。
最后选择：

内点数最多的模型
或者得分最高的模型

再进一步，可以使用最终内点集进行一次更稳定的精拟合。

四、RANSAC 为什么有效

RANSAC 并不是因为“随机”就神奇，而是因为它利用了一个非常关键的事实：

只要某一次随机采样恰好全部来自真实内点，那么由这些点生成的模型大概率就接近真实模型。

而一旦模型接近真实模型，它就会吸引大量真正的内点，形成一个大的 consensus set。

因此，RANSAC 的本质其实是：

通过反复随机采样，去碰撞出一个纯内点的最小样本集。

只要这个“纯内点采样”发生过一次，模型通常就有机会被恢复出来。

五、RANSAC 的数学核心：迭代次数公式

理解 RANSAC，最关键的数学部分之一就是：

为什么它需要多次迭代，以及需要多少次迭代。

设：

内点比例为 ( w )
每次最小采样所需点数为 ( s )
希望至少成功一次的概率为 ( p )
总迭代次数为 ( N )
5.1 一次采样成功的概率

如果每个点独立地以概率 ( w ) 成为内点，那么一次随机抽取 ( s ) 个点，并且这 ( s ) 个点全是内点的概率为：

$w^s$
因此，一次采样失败的概率为：
$1 - w^s$
连续 ( N ) 次都失败的概率为：
$1 - w^s)^N$
因此，至少成功一次的概率为：
$1 - (1 - w^s)^N$
如果希望这个概率不低于 ( p )，则要求：
$w^s)^N \ge p$
整理得到：
$\ge \frac{\log(1-p)}{\log(1-w^s)}$

这就是 RANSAC 最经典的迭代次数公式。

六、如何理解这个公式的工程意义

这个公式不是只用来背的，它有非常直接的工程含义。

6.1 内点比例越高，越容易成功

如果 ( w ) 越大，则 $w^s$ 越大，说明一次抽到“纯内点样本”的概率更高，需要的迭代次数也更少。

这意味着：

预处理越好，外点越少，RANSAC 越容易成功。

6.2 最小采样点数越多，越难成功

如果 ( s ) 越大，则 $w^s$ 会迅速减小。

例如：

直线只要 2 个点
平面要 3 个点
更复杂模型可能需要更多点

这意味着：

模型越复杂，RANSAC 往往越难，所需迭代次数越高。

6.3 置信度越高，计算代价越大

如果你希望成功概率 ( p ) 非常高，例如 0.99 甚至更高，那么所需迭代次数会增加。

这意味着：

“更高把握”通常要用更多计算换取。

七、RANSAC 中最关键的参数：距离阈值

如果说迭代次数是 RANSAC 的数学核心，那么距离阈值就是它最关键的工程参数。

7.1 阈值的本质

RANSAC 中的阈值，本质上是在定义：

一个点距离模型多近，才算支持这个模型。

例如：

点到直线的距离
点到平面的距离
点到圆柱面的距离

这不是一个随便调的数，而是一个几何判别尺度。

7.2 阈值过小会怎样

如果阈值太小：

原本属于模型的真实内点，也可能因为噪声被排除
内点数会偏少
正确模型不容易被识别出来
结果对噪声更敏感

7.3 阈值过大会怎样

如果阈值太大：

许多本不属于模型的点也会被当作内点
一致集被污染
不同结构容易混在一起
后续精拟合会受到影响

7.4 阈值应该怎么定

阈值的设置应当与以下因素相关：

传感器精度
点云噪声水平
采样分辨率
重建误差尺度
模型尺寸大小
后续任务允许的偏差范围

对于工业点云任务来说，阈值通常应该和：

线扫采样精度
结构光重建误差
ROI 后残余噪声水平

联系起来理解，而不能脱离数据尺度孤立设定。

八、RANSAC 在点云中的典型作用

RANSAC 在点云处理中非常常见，尤其适合下面这些任务：

平面提取
直线提取
圆柱提取
球面提取
初步几何分割

但学习时必须建立一个正确认识：

RANSAC 更擅长“粗提取主结构”，而不是直接给出最终高精度结果。

也就是说，它的长处通常是：

从外点很多的数据中找出主模型
提取内点集
给出较好的初始模型

后面常常还需要：

最小二乘精拟合
TLS 精拟合
PCA 精修
加几何约束优化

因此，在工程流程中，RANSAC 往往扮演的是：

鲁棒初始化 / 粗分割 / 内点提取 的角色。

九、RANSAC 的常见失败模式

RANSAC 虽然经典，但绝不是万能的。
理解它什么时候失效，同样重要。

9.1 内点比例太低

如果数据中真正支持目标模型的内点比例太低，那么抽到纯内点最小样本的概率就会非常小，RANSAC 很容易失败。(50%以下失败率就会高)

9.2 存在多个规模接近的模型

如果数据中有两条点数差不多的直线，或者多个平面规模接近，那么 RANSAC 可能会不稳定，结果依赖随机采样过程。

9.3 阈值设置不合理

阈值太小会导致真实内点被排除，阈值太大会导致结构混杂，都会让结果变差。

9.4 采样配置退化

即使抽到的点看起来来自内点，如果这些点本身处于退化配置，例如过于接近、几何约束不足，也可能导致模型不稳定。

9.5 数据不是“少量离群点 + 一个主模型”

如果数据本身不是这种结构，而是多个复杂结构强烈交叠，那么单一 RANSAC 往往不够，需要结合：

聚类
先验几何约束
多模型分解
其他鲁棒估计方法

10.1 为什么建议手写

（下篇补代码）
如果你只调用 PCL 或 Open3D 的 RANSAC 接口，你会“用”，但未必真正理解：

最小采样集怎么选
模型是怎么从样本点解出来的
点到模型距离怎么定义
阈值在判断什么
一致集是怎么形成的
为什么结果会有随机性
为什么 RANSAC 常常要接精拟合

而如果你手写过一版，这些都会一下子变得清晰。

10.2 最值得手写的版本

最推荐的顺序是：

第一版：2D 直线 RANSAC

这是最适合入门和吃透原理的版本。

原因：

模型简单
距离公式清晰
可视化方便
可以直观看到外点、内点、阈值和结果变化

第二版：3D 平面 RANSAC

这是和点云任务最接近的一版。

原因：

平面是点云中最常见的结构之一
很适合和 PCL 的 SACSegmentation 对应理解
可以自然过渡到真实点云任务

10.3 手写到什么程度算合适

建议你至少手写以下内容：

随机采样
由最小样本解模型
计算所有点到模型距离
根据阈值统计内点数
重复迭代，保存最优模型
最后用最佳内点集再精拟合一次

如果你把这条链手写通了，RANSAC 的理解会非常扎实。

十一、问题测试

如果想判断自己是否真正学懂了 RANSAC，可以用下面几个问题自测。

原理层

RANSAC 和最小二乘最本质的区别是什么？
最小二乘默认所有数据都参与模型估计，因此对外点敏感；RANSAC 的核心思想是先通过随机采样和一致性验证，将支持同一模型的内点集找出来，再基于这些内点估计模型。（一个直接使用所有点，一个是先筛选内点）
为什么随机采样会有效？
随机采样之所以有效，是因为只要某一次采样恰好全部来自真实内点，那么由这组点生成的模型就大概率接近真实模型；一旦模型接近真实模型，它就会得到大量真实内点的支持，从而形成大的 consensus set。经过足够多次随机采样后，抽到纯内点最小样本集的概率就会越来越高。
为什么 RANSAC 适合外点多的场景？
RANSAC 适合外点多的场景，是因为它不依赖所有数据共同参与模型估计，而是通过随机抽样寻找纯内点最小样本集。即使外点很多，只要内点比例不是低到几乎无法抽中，经过足够多次迭代，仍有机会找到真实模型。

数学层

迭代次数公式怎么来的？
设内点比例为 ( w )，每次最小采样点数为 ( s )，则一次采样全部为内点的概率为 $w^s$ ，一次失败的概率为 $1-w^s$ ，连续 ( N ) 次都失败的概率为 $1-w^s)^N$ 。因此至少成功一次的概率为 $1-(1-w^s)^N$ 。若希望该成功概率不低于给定阈值 ( p )，就可以推导出 RANSAC 的迭代次数公式。
为什么内点率越低，迭代次数越高？
因为一次成功采样要求最小样本集中的所有点都来自内点。当内点率降低时，抽到纯内点样本的概率 $w^s$ 会明显下降，因此为了保证至少成功一次，需要更多次迭代。
为什么模型最小采样点数越大，成功越难？
因为一次成功采样的概率是 $w^s$ 。当最小采样点数 ( s ) 增大时， $w^s$ 会迅速减小，因此抽到纯内点最小样本集的难度会显著增加。

工程层

阈值的几何意义是什么？
阈值的几何意义，是判断一个点相对于某个候选模型的误差是否足够小，从而决定该点是否属于该模型的内点。这个误差通常表现为点到模型的距离或残差，例如点到直线的正交距离、点到平面的垂直距离等。
阈值过大和过小分别会怎样？
阈值过大时，原本不属于该模型的外点也会被纳入内点集，导致一致集被污染，模型区分能力下降；阈值过小时，一些受到噪声扰动但本应属于模型的真实内点会被排除，导致内点数不足，甚至错失正确模型。
为什么 RANSAC 常常只是粗提取，而不是最终结果？
因为 RANSAC 的主要目标是鲁棒地找到主模型及其对应的内点集，而不是在所有内点上做最优精度估计。它更像一个“粗提取 + 内点筛选”步骤，后续通常还需要基于最佳内点集做最小二乘、TLS 或其他精拟合，才能得到更稳定、更精确的最终结果。

项目层

在自己的数据中，RANSAC 更适合提什么结构？
在自己的数据中，RANSAC 更适合提取线和平面这类参数化简单、局部主结构明显的几何模型。例如在线扫数据中提取主边缘线，在结构光点云中提取主平面区域，这类任务都比较适合先用 RANSAC 做鲁棒粗提取。
哪些预处理会影响 RANSAC 效果？
会影响 RANSAC 效果的预处理包括：ROI 截取、统计滤波 / 半径滤波、去除漂浮点、聚类分割以及下采样。这些操作会直接改变外点比例、点云密度和结构完整性，从而影响 RANSAC 成功率与阈值设置。
在自己的任务里，RANSAC 最容易失败在哪些地方？
在自己的任务里，RANSAC 最容易失败的情况包括：数据中存在多个规模接近的直线或平面，直接拟合会不稳定；ROI 或分割不合理，导致目标结构和干扰结构混在一起；阈值设置不合适，导致内点不足或一致集污染；目标结构本身点数太少，内点比例过低。因此在实际使用时，往往需要先做分割或预处理，再进行 RANSAC。