点云分割之区域生长、RANSAC测试

        再回首loam系列算法，为了实现准确的特征集的配准，对于不同类型的点云进分割还是有必要的。简单的测试了一下两种方式进行点云分割：

一、区域生长

        首先根据点的曲率对点进行排序，之所以排序，是因为区域生长算法是从曲率最小的点开始生长的，这个点即是初始种子点，初始种子点所在的区域即为最平滑的区域。从最平滑的区域开始生长，可以减少分割区域的总数，提高效率。

        算法流程：

    1）设置一空的种子点序列和空的聚类数组。将选好的初始种子点加入到当前种子点序列中，开始搜索邻域点。
    2）对每个邻域点，比较邻域点的法线和当前种子点的法线之间夹角，小于平滑度阈值的加入到当前区域。
    3）计算每个邻域点的曲率，小于曲率阈值的加入到种子点序列中，删除当前的种子点，利用新加入的种子点继续生长，重复上述过程至种子点序列清空。
    4）完成1~3即一次区域生长完成，将点集加入到聚类数组。

二、随机采用一致性：

        随机参数估计鲁棒性较好的方法：Hough Transform（图像领域），RANSAC（点云处理）；RANSAC是一种迭代的随机参数估计方法：

    1）从随机样本中抽选一个样本子集，使用最小方差估计算法对这个子集进行模型参数估计；
    2）计算所有样本与估计出的子集模型的偏差，与预先设定的阈值进行比较；
    3）小于阈值，为模型内点（inliers），大于阈值为模型外点（outlier），记录下当前inliers数目；
    4）重复以上过程，最多内点数目对应的参数即为最佳参数；
    缺点：
    1）待估计模型比较抽象的时候，阈值不好设定，且不适用于样本动态变化的应用；
    2）只能从样本中估计出一个模型（每次迭代只能进行单模型识别）；

        而有个名字相似的算法：SAC_IA，SAC_IA实现的是初始配准，输出变换矩阵，典型的运用：SAC_IA+FPFH+ICP/NDT（快速点云特征直方图使用sac_ia实现粗配准，然后再给到ICP/NDT初始值去匹配），可以看看前面有一篇文章《手写SAC_IA实现基于FPFH描述子的点云帧间匹配》；

三、分割效果:

        简单附两张图：（速腾16线，分割一次大概几十ms）