我正在试验 RANSAC 算法，即本文中的 RANSAC 实现：http: //cg.cs.uni-bonn.de/en/publications/paper-details/schnabel-2007-efficient/
我使用作者提供的代码库。我正在尝试将对象（例如使用 Kinect 1 获得的杯子）分割成原始形状。
我的问题是，每次我在同一个对象点云上运行原始形状检测时，我都会得到不同的结果，比如一次运行我检测到 3 个圆柱体和一个圆锥体，而下一次运行我检测到 2 个圆环和 1 个球体.
我知道候选对象原语的第一个点是随机挑选的。所以在代码中我将随机种子参数设置为一个静态数字。在这种情况下，我的结果总是与应有的相同。但是，即使使用像实际时间这样的非静态种子，RANSAC 不应该产生相同或几乎相同的结果吗？
RANSAC 代表 RANdom SAmple Consensus，是一种迭代算法，在其习惯形式中，在最大迭代次数或达到某个标准（误差最小化）后停止。“随机”部分意味着根据数据集，应用 RANSAC 可能并不总是产生相同的结果，尤其是当它因为达到最大迭代次数而不是充分最小化错误而停止时。有许多数值求解器具有这种行为。 在计算中，蒙特卡洛算法是一种随机算法，其运行时间是确定性的，但其输出可能以一定（通常很小）的概率不正确。它与所谓的“拉斯维加斯”算法相反。在计算中，拉斯维加斯算法是一种随机算法，总是给出正确的结果；也就是说，它总是产生正确的结果或通知失败，但它不能保证在一组时间/计算资源内这样做。
现在，我不知道你提到的具体实现，但这就是这种算法的工作原理。
好吧，由于 RANSAC 有一个随机组成部分，算法的精度（结果的可变性）取决于您尝试检测和分割的场景/对象的复杂性。
在运行基于 RANSAC 的算法时，有许多因素会影响准确性和精确度。它通常是数据分辨率（在这种情况下为点密度）、对象的复杂性以及检测和分割中使用的方法的函数。
通常，在处理中使用随机组件时，一个好主意是多次运行相同的场景/对象并通过某种投票（频繁方法），选择最可能的结果。