我正在尝试使用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。我试图将对象分割，就像用Kinect 1获得的杯子一样，形成原始形状。
我的问题是，每当我在同一个对象点云上运行原始形状检测时，我得到不同的结果，就像一次运行我被检测到3个圆柱体和一个圆锥体，并且在下一次运行中我被检测到2个圆环和1球。
我知道候选对象原语的第一个点是随机选取的。所以在代码中我将随机种子参数设置为静态数字。在那种情况下，我的结果总是和它应该的一样。但是，即使使用像实际时间这样的非静态种子，RANSAC也不应该产生相同或几乎相同的结果吗？
答案 0 :(得分：1)
RANSAC代表RANdom SAmple Consensus，是一种迭代算法，在其习惯形式下，在最大迭代次数之后停止或者如果达到某个标准（最小化误差）。 “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，特别是当它因为达到最大迭代次数而停止而不是最小化误差时。有许多数值解算器以这种方式表现。 In computing, a Monte Carlo algorithm is a randomized algorithm whose running time is deterministic, but whose output may be incorrect with a certain (typically small) probability.这与所谓的“拉斯维加斯”算法相反。 In computing, a Las Vegas algorithm is a randomized algorithm that always gives correct results; that is, it always produces the correct result or it informs about the failure，但在一组时间/计算资源中无法保证。
现在，我不知道你提到的具体实现，但这就是它对这种算法的作用。
答案 1 :(得分：0)
好吧，由于RANSAC有一个随机组件，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/对象的复杂程度。
在运行基于RANSAC的算法时，有许多因素在准确度和精度方面起作用。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（频率论方法），选择最可能的结果。