ICP 需要初值，而特征匹配又经常混入错误对应。直接把所有点对送进最小二乘，少数大偏差就可能拖走整个变换。RANSAC 的思路是先从少量候选点对提出假设，再让更多数据检验这个假设。真正需要理解的不是一个函数名，而是候选点从哪里来、什么叫内点，以及一个高票模型还可能错在哪里。
**阅读范围：**本文是三维视觉与医学影像软件工程系列的独立技术教程。数据和数值实验均为合成示例，不读取患者数据，不代表实际设备性能或临床精度。文中长度按示例明确的单位解释。资料核对日期：2026 年 10 月 16 日。
图 1：RANSAC：模型由少量点提出，由更多数据检验（原创教学配图）
一、先区分"没有对应"与"对应里有错误"
RANSAC 通常需要候选对应关系。两份完全未匹配的点云不会因为加一个 RANSAC 循环就自动产生物理对应。在三维粗配准中，常见流程是下采样、估计法向、提取局部几何特征，再在特征空间提出匹配。本篇代码把这一步单独抽象成一组已给定但含错误的点对，以便观察鲁棒估计本身。
候选匹配可能来自 FPFH、描述子网络、人工标志或其他传感器。互相最近邻过滤能减少部分歧义，却不能保证正确。重复结构和对称对象会形成大批看起来一致的错误对应，因此"内点多"仍然只是对所选模型和阈值的支持。
二、最小样本、退化与刚体模型
三维刚体变换有三个旋转和三个平移自由度。三个不共线的已知对应点可以确定一个保向刚体变换；共线点无法完整约束绕直线的旋转。代码使用中心化、SVD 和行列式修正，保证返回旋转而非镜像。实际数据中的近似共线也会导致数值不稳定，不能只检查样本数量。
一次迭代包括抽取样本、求候选变换、计算所有候选对应的残差、统计内点。最小样本产生的模型受噪声影响，最终应使用选中的一致集重新拟合。这里先用内点数量选模型，简单明确；生产实现还常需要平分时的残差比较、边长检查和多候选保留。
三、迭代次数公式的假设是什么？
若独立采样中单个对应为真内点的概率为 w，最小样本含 s 个点，则一次全部抽到内点的概率近似为 w^s。希望至少一次抽到全内点样本的概率达到 p，可使用 N≥log(1−p)/log(1−w^s)。本篇 w=0.7、s=3、p=0.99，对应约 11 次。
这个数不是"11 次一定正确"。公式忽略了有限集合不放回采样的差异，也假定内点比例可信、全内点样本不退化且有机会生成好模型。特征重复、空间聚集和相关错误都会破坏理想条件。代码使用 500 次固定预算，是教学选择，不是通用参数推荐。
四、阈值为什么必须带单位？
本篇残差为毫米，内点阈值是 0.7 mm。真实流程中的阈值应结合定位噪声、采样间距、粗配准分辨率和任务规模。若模型从毫米换到米，长度阈值也要同步换算。像素重投影阈值与三维欧氏阈值没有可直接互换的固定比例。
阈值太大时，错配也能获得高支持度；太小时，真实对应因为噪声被排除。比较参数应在固定的独立评估点集上重新测量误差，而不是只挑内点 RMSE 最小的输出。提高置信度参数只增加理想抽样成功概率，不会修复错误候选或错误物理模型。
五、可运行的完整合成实验
生成 100 组候选点对，其中 70 组来自同一个刚体变换并叠加每坐标标准差 0.1 mm 的噪声，另外 30 组目标坐标随机替换。最后用 40 个未参与拟合的真值点验证位置恢复。此实验验证的是含外点候选对应的刚体 RANSAC，不是完整的 FPFH 匹配系统。
环境说明：代码在本机 Python 3.14 环境中实际执行。为便于复现，请保存为 demo.py，在支持这些库的独立环境中安装依赖；若目标解释器没有兼容 wheel，应先选择受支持的解释器。环境差异可能影响最后几位数值，不影响本文所检查的几何或统计关系。
python -m pip install numpy
python demo.py
import numpy as np
def fit(a,b):
x,y=a-a.mean(0),b-b.mean(0)
if np.linalg.matrix_rank(x)<2 or np.linalg.matrix_rank(y)<2:
raise ValueError('Degenerate sample')
u,s,vt=np.linalg.svd(x.T@y)
d=np.eye(3);d[-1,-1]=np.linalg.det(vt.T@u.T)
r=vt.T@d@u.T
return r,b.mean(0)-r@a.mean(0)
rng=np.random.default_rng(16)
a=rng.uniform(-30,30,(100,3))
angle=np.deg2rad(25)
truth=np.array([[np.cos(angle),-np.sin(angle),0],
[np.sin(angle),np.cos(angle),0],[0,0,1]])
t=np.array([20.,-10.,5.])
clean=a@truth.T+t
b=clean+rng.normal(0,.1,clean.shape)
b[:30]=rng.uniform(-80,80,(30,3))
best=np.zeros(100,dtype=bool)
for _ in range(500):
ids=rng.choice(100,3,replace=False)
try:r,tt=fit(a[ids],b[ids])
except ValueError:continue
mask=np.linalg.norm(a@r.T+tt-b,axis=1)<.7
if mask.sum()>best.sum():best=mask
assert best.sum()>=65
r,tt=fit(a[best],b[best])
holdout=rng.uniform(-50,50,(40,3))
error=np.linalg.norm(holdout@r.T+tt-(holdout@truth.T+t),axis=1)
assert np.sqrt(np.mean(error**2))<.2
w,p,s=.7,.99,3
iterations=int(np.ceil(np.log(1-p)/np.log(1-w**s)))
print('inliers',best.sum(),'holdout_RMS_mm',np.sqrt(np.mean(error**2)))
print('idealized_iteration_count',iterations)
print('PASS: robust recovery on synthetic known candidate pairs')六、运行结果与应该怎样解读
实际运行选出 70 个内点，独立检查点 RMS 约 0.04894 mm；理想化次数公式给出 11。代码断言检查了恢复误差。数值依赖本篇噪声模型与随机种子，不能解释为实际扫描精度。
图 2：内点比例与理想抽样预算（原创教学配图）
代码中的断言验证了本篇明确描述的性质。配图中标为原理示意的部分用于解释模型，不是实测截图；由公式生成的曲线只在图注与正文列出的假设下成立。不要把合成实验输出当成真实产品的性能报告。
七、常见现象与排查方向
| 现象 | 优先检查 | 处理方向 |
|---|---|---|
| 内点很多但物体对反 | 对称与重复结构形成错误一致集 | 保留多候选，加入非对称特征或外部位姿 |
| 运行很久仍无结果 | 候选内点率过低或样本退化 | 先检查匹配与空间覆盖，不只增加次数 |
| ICP 精修后反而偏移 | 粗配准分支错误或重叠区域不同 | 统一 ROI 和评估条件，再检查初值 |
| 阈值换数据后失效 | 单位、尺度与噪声水平改变 | 记录物理单位并按数据重新评估 |
八、独立验证与适用边界
保存候选对应、随机种子、内点掩码和变换矩阵，分别检查训练残差与独立目标误差。观察内点是否只集中在一小块平面或一条线附近。多次随机结果不一致时，先分析几何歧义和内点覆盖。本篇不含自动特征匹配、加权拟合或真实噪声模型；升级到真实扫描时应另外验证候选生成与完整坐标链。
建议把原始输入、参数、软件版本、输出结果和失败状态一起保留。若把同一份检查数据反复用于选择参数，它就不再是完全独立的最终验证集。将算法演示接入真实系统时，应另行验证输入质量、参考不确定性和完整处理链路。
参考资料
上述资料用于核对相关接口与基本约定；本文的合成数据、推导示例与代码不声称复刻库内全部实现。
写在最后
"工欲善其事，必先利其器。"
------ 孔子，《论语·卫灵公》
把粗配准看作提出候选的过程，再让独立证据决定是否接受，调参才有方向。