应用错误收集

平面拟合的两种常用方法是RANSAC和Hough。这是一个性能比较：

与计算几何和图像处理中的许多问题一样，而不是考虑什么是最快的，＆＃34;在性能，开发工作和成本方面考虑应用程序的最佳选择。寻找最快的算法可能会让您走上可怕的成本和复杂性的道路，而您可能能够实现一个相对简单的算法的数据处理链，其运行速度足以为用户提供流畅和愉快的体验。

长话短说，我建议从霍夫飞机开始。霍夫变换算法相对容易编写（一旦掌握了基础知识），调整参数就很直观。

编写自己的算法的一个原因是，您可以更好地理解需要做出哪些更改（而不是如果）您发现点云数据比噪声更大且性能更差一个人想。

实现良好的速度将取决于许多因素，包括：

<强>预处理您不需要将任意大小的平面安装到任意点云：相反，您需要安装墙壁，可能还需要地板和天花板。对于霍夫算法，这意味着您可以限制测试参数的范围，从而加快处理速度。

不是试图找到完整的原始点云的所有平面拟合，而是找到将点云分解为子云团的方法，以便更有效地运行平面拟合测试。

PCL可以为您计算表面法线。如果你可以识别指向大致相同方向的曲面法线簇，然后尝试平面拟合各个簇，你应该能够大大加快速度。

此外，对于您的第一次传递，您可能希望对数据进行缩减采样，并尝试适应相对较少的点数。这类似于创建一个＆＃34;图像金字塔＆＃34;用于2D处理。

八分之一是很好的，简单的方法来划分查询空间，碰撞测试等等。八叉树将一个空间划分为八个节点或“八分圆”。＆＃34;这可以想象为将立方体切割成八个较小的立方体。然后每个八分圆进一步分为八个八分圆，依此类推。如果八分圆（一个节点）不包含点，则不需要进一步划分它。

<强>参数。上面的描述应该清楚地表明，如果您可以通过简化和/或分解原始原始点云来预处理数据，那么您将能够测试更加狭窄定义的搜索，这些搜索将更快地运行。

就此而言，您可能不需要高精度的平面拟合。您可以生成相当好的配合，然后调整这些配合，以生成彼此成直角的天花板，墙壁和地板。

3D数据质量。 Kinect v2是一种飞行时间设备，具有一些固有的测量精度问题。例如，如果您拍摄平面墙的单个图像然后检查深度值，您会注意到图像角落中存在一些非平面的愚蠢。如果您查看多个图像上每个（x，y）像素的深度值的范围（或标准偏差），那么您还会注意到中心像素和边缘像素之间的噪音差异。

执行平面拟合后，生成拟合质量的度量。这需要返回数据来计算用于计算的点的点到平面距离。（为了提高速度，只使用每个N点或随机采样点。）当您修改参数时，您将看到速度和适合质量方面的效果。

实时与可见光滑。 如果您只需要用户实时移动家具，那么花费更长时间生成初始平面配合应该是可以的。

<强>多线程/平行度为了处理数据输入，平面拟合和用户界面，您几乎肯定必须仔细考虑多线程。要测试算法，你只需要开始使用UI线程，但这是有限的。

这样的应用程序需要CUDA或OpenCL。对于3D显示器，您无论如何都要使用显卡。虽然您不需要立即跳转到GPU编程，但要记住算法是如何并行化的。

3D显示。 您是否计划使用Direct3D或OpenGL进行3D显示和交互？实施软件，允许用户实时添加不同类型家具的三维模型＆＃34;建议你不得不依赖显卡。

如果您可以在3D视图中显示点云，也许您甚至不需要平面拟合。您甚至可能会逃脱碰撞检测：如果椅子的3D模型撞到一组点（即墙壁），那么您可能只是检测到碰撞而不是尝试适合平面来定义边界。八分音和其他空间分割技术将有助于加速碰撞测试。

公司Matterport（http://matterport.com/）开发的东西非常类似于您所描述的内容。如果没有别的，你可以试试他们的软件，并考虑可以改进/适应你的需要。

我很欣赏Rethunk的详细评论，并提供了Local Hough Transform的变体。但首先，让我指出在平面检测或检测相交平面上有一堆stackoverflow / stackexchange帖子。其中一些是：

中详细解释了我建议的方法

用于3D原始检测的局部Hough变换， Bertram Drost，Slobodan Ilic，IEEE 3D Vision 2015

这个想法是基于选择两个导向的点对。比较这些点的方向以确定这些点是否共同位于平面上。所有这些点对的贡献在局部投票空间中组合，其中平面在0维投票空间中被参数化（定向点完全确定平面）。该技术可扩展到不同的原语。

RANSAC通常不如霍夫变换，但所提出的方法可以看作是全球投票方案和RANSAC之间的混合体。当RANSAC选择多个随机点，足以拟合目标基元时，所提出的方法只选择一个点，即参考点。

我还another stackexchange post解释了如何为正交平面开发类似的方法。