我使用了pcl的SampleConsensusPrerejective方法，效果很好。我按照教程中的描述使用它。但我不完全理解RANSAC算法是如何工作的。使用FPFH计算特征。
据我所知，该算法从输入云和目标云中提取随机特征，并将输入云投影到目标云的计算姿势上。然后计算一个CCD_ 1，并在一些迭代之后采取具有最大CCD_ 2的姿势。到目前为止还不错。
但是，这些特征是如何进行比较和姿势计算的呢？我还不明白基于点四极杆<α, ϕ, θ, d>的特征直方图是如何真正起作用的。从输入云和目标云中选取三个示例特征后，会发生什么？
有人能简单地解释下一步会发生什么吗？非常感谢！
我对这个库不太熟悉，但我可以解释RANSAC的一般功能，也可以提供一些关于他们的算法可能会做什么的想法，因为我在相关优化算法方面有很多经验。
RANSAC是一种非常通用的优化算法，设计用于在存在异常值的情况下找到解决方案。假设你得到一个线性方程a*x_i+b=y_i，你需要为给定的x_i和y_i找到a和b。通常简单的最小二乘法可以解决这个问题，但在存在异常值的情况下，最小二乘法失败得很惨，导致了一个完全错误的解决方案。
使用RANSAC，可以取两个随机索引i,j，找到最佳的consensus set0和b，画出这条线，并检查这条给定的线与点集(x_i,y_i)的近似程度。然后，在一系列尝试之后，您可以选择最好的一个，并将其称为解决方案或给定最佳样本集，选择具有其解决方案的总入口，并与它们进行最佳匹配。这种方法应该在给定足够样本的情况下过滤掉任何异常值，否则就会导致失败——只需要检查最终结果是否符合常识。
人们还可以玩"直线与点集的近似程度"。用户决定标准。在给定阈值的情况下最大化中间值，或最小化中间值的误差。只要有意义就行。
给定误差函数和优化机制，您可以将RANSAC应用于几乎任何优化过程。
他们的优化是如何工作的？我不知道。询问他们的开发人员，阅读他们的代码或文档。但我可以为您提供一些它可能如何工作的想法。
给定原始云中的特征点(A,B,C)和目标云中的三个匹配特征(X,Y,Z)，可以确定将(A,B,C)映射到(X,Y,Z)的正正交仿射变换(旋转+移位(，或者如果它们不完全匹配，则进行最佳拟合。如果同时考虑负正交变换(反射+旋转+偏移(，而不仅仅是正正交变换，则需要四个点。这只是一个经典的线性代数。在任何情况下，四点可能是更好的解决方案的准确性，因为数据肯定是有噪声的。
在找到候选解决方案后，可以匹配整个云，看看它们是否与给定的解决方案相匹配——这就是错误函数(查看它们的实现以查看确切的标准(。
如果你只是随机地将特征A、B、C、X、Y、Z随机化，你最终会找到解决方案，但这将花费大量的时间，使其不切实际。因此，我相信他们有一些方法来减少所需的测试次数。比方说，如果他们有一个函数f，可能是一个非常错误的函数，即原始云中的每个特征都适合目标云中的匹配。然后您可以简单地检查点集合(A,B,C)与(f(A),f(B),f(C))。但为了获得更好的健壮性，它们可能会有更复杂、更棘手的东西。
希望它能让你对这些算法有一些了解。