问题标签 [ransac]

我试图找到 2 个图像之间的基本矩阵，然后使用 RANSAC 对其进行转换。我首先使用 SIFT 检测关键点，然后应用 RANSAC：

但是，当我尝试执行此操作时，我只收到如下所示的错误：

而当我按照此链接中的教程进行操作时：http: //docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_feature_homography/py_feature_homography.html，代码运行没有错误。

任何帮助表示赞赏！

我正在使用PCL 分割模块中的 SACSegmentation来过滤掉地平面。

该方法是拟合 3D 对象的前表面，而不是拟合地平面，如下面的第二个 pcd 文件所示。

任何建议我应该怎么做才能适合和过滤地平面点。

提前致谢。

场景*.PCD

地平面分割后

afterApplyingPassthrough

我正在尝试将平面模型拟合到点云（具有类似平面的结构）。

我遇到的问题是拟合平面只是云的一小部分，即使距离阈值设置为相对较大的值。

以下是结果的一些图像：（白点是模型内点）

你可以在这里看到云有多薄：

我已经调整了 SACSegmentation 对象的各种参数，甚至尝试了 PCL 没有运气的多种 RANSAC 方法。

这是显示的点云： https ://drive.google.com/file/d/0B0PUIShwQuU7RmFKUW1Cd2V1Zk0/view?usp=sharing

这是非常接近本教程的最小代码：

大家好，我对一般编程和 MatLab 比较陌生。我有一个任务希望我将不同的 MatLab 检测函数（SURF、BRISK、FAST 等）与 SIFT 描述符进行比较。

我有 MatLab 函数的代码并检查其中的关键点，然后运行类似于 RANSAC 的estimateGeometricTransform 并检查结果。

我遇到的困难是使用 vlfeat 找到一个 SIFT 代码来提取关键点，然后在它们上运行estimateGeometricTransform。我可以在网上找到的所有现成代码是用于图像马赛克和拼接的 SIFT RANSAC，这不是我需要的。我需要使用相同的图像，创建某种旋转或比例差异，并查看关键点如何匹配不同类型的图像。

网上所有的代码似乎都太难处理了。有人可以指导我到哪里可以找到我正在寻找的东西，或者如果可能的话，我该如何实现它？

我有两张图片，一张包含一个盒子，一张没有。两张照片之间存在小的垂直差异，因为相机不在同一个位置并且被平移了一点。我想剪下盒子并用另一张图片中的信息替换孔。

我想实现这样的目标（计算机视觉课程的幻灯片）

我考虑过使用该cv2.createBackgroundSubtractorMOG2()方法，但它似乎不适用于仅 2 张图片。

由于差异，简单地从另一张图片中减去也不起作用。该课程建议使用 RANSAC 计算两张图片之间最可能的关系，并减去变化很大的区域。但是我该如何填补这些漏洞呢？

提前谢谢了！！

pcl::SACMODEL_LINE在使用RANSAC 线分割模块分割出适合的点云子集之后 。在下一步中，提取点云的中心点使用计算

这给出了准确的中心点，直到相机和提取的线模型对象相互平行。在最后一步中，提取点云的角点即拟合线通过在中心点上加上已知距离来计算角点。该技术将一直有效，直到相机与提取的线模型对象相互平行，相机与它形成一个角度，角点计算技术失败。任何建议我应该如何使用 PCL 库中现有的可靠方法计算角点来计算提取的点云数据的角点(pcl::SACMODEL_LINE)。

提前致谢。

我应用了 RANSAC 并成功地从场景中分割出所需的部分。问题是当需要的部分长时间不在相机前面时，它会在抛出异常后崩溃。我怎么可能以最好的方式处理这个异常，因为即使在它一直在寻找的场景中也找不到对象？

给定相同的输入和相同的代码，与在 PCL 中使用 SACSegmentation 的 Linux 相比，在 Windows 上发现了不同的平面模型。例如，Linux 上的识别平面具有 ~7 度的滚动角，而 Windows 平面是 ~0 度。连续的 Windows 结果与连续的 Linux 结果相同。这可能与使用不同大小的类型的 GCC 和 Visual Studio 有关吗？还是用windows比较好default_random_engine？

Linux 和 Windows 上的相同计算 --> 不同的结果

<random> 在 Linux 中生成相同的数字，但在 Windows 中不生成

我知道 Windows 平面是更好识别的平面。我怎样才能最好地弥补这种差异，以便 Linux 版本也能找到同一个平面？

我使用 OpenCV 进行对象识别。keypoints获得场景图像和模板图像的列表后，我将使用该findHomography功能与 RANSAC。一个场景中可以有多个相同的对象，所以我对场景的列表运行该函数，直到它再也找不到有效的单应性。每次迭代后，我keypoints从场景列表中删除匹配项。

很多时候，我对每个对象进行多个检测，随后检测的质量会逐渐降低。

我的理解是，RANSAC 在迭代期间只使用了所有好的关键点中的几个，并且还有足够的关键点用于另一次检测。

有没有办法强制它使用所有匹配的关键点？或者，一旦找到单应性，搜索其他拟合关键点，然后使用常规方法重新计算单应性？这应该会产生更准确的结果，因为有更多信息可用于计算单应性。此外，将不再有重复。

编辑：

这是我使用此模板创建的结果示例。我不在乎那些可怜的人。我的问题是关于双重检测（用箭头表示）。

我一直认为机器学习的结果是不同的，因为每次预先随机打乱数据，导致不同的训练集。因此，当没有洗牌时，每次的结果都应该是相同的。与 的情况一样sklearn.linear_model.LinearRegression()，但sklearn.linear_model.RANSACRegressor()即使每次都以相同的顺序输入相同的训练数据，也会显示不同的结果。不就是一个数学函数，结果不应该每次都一样吗？有人可以解释一下，还是我的代码有错误，我是否错误地向它提供了不同的数据？