摘要：RANSAC（Random Sample Consensus）是一种鲁棒的参数估计方法，特别适用于数据中包含大量离群点（outliers）的场景。其核心思想是通过反复随机采样一小部分数据来生成候选模型，然后评估该模型支持的内点数量，最终选择内点最多的模型。下面给出RANSAC的数学推导，涵盖迭代次数计算、内点判定准则以及算法收敛性分析。 RANSAC的核心思想是：随机选取一小部分点（最小子集）来生成候选模型，然后用整个数据集验证该模型，统计符合该模型的点（内点）数量。重复多次，选择内点最多的模型作为最终估计。 阅读全文

摘要：​ 通过PCA（主成分分析）进行平面拟合是一种经典高效的方法，特别适用于三维点云数据。其核心思想是找到点云中方差最小的方向，该方向即为拟合平面的法线方向，该方向即为拟合平面的法线方向，而平面经过点云的质心。下面介绍原理、步骤，首先对其数学原理进行逐步推导。 阅读全文