论文部分内容阅读
仪器、周围环境和人为操作等往往会造成点云中包含大量的噪声,导致模型回归精度低等问题。RANSAC算法凭借其简单实现、稳健的优势广泛应用于解决模型回归的问题。但是,针对不同的场景,RANSAC算法需要不断地调整参数来估计最优模型解。本文考虑到RANSAC及其现有改进算法的不足,以及内群点与噪声之间往往存在密度分布差异性,首先利用密度加权导向采样的方式优化初始假设模型,然后提出了一种空间密度函数以用于最优模型评价和迭代次数计算,整个过程不需要任何先验知识。本文方法能够解决内群点比率大于10%的模型回归问