现有的平面提取算法平面提取一直是计算机视觉和图形学领域内一个重要的研究方向。近年来已经出现了很多的比较有效的平面提取算法。根据是否需要提供场景的三文信息作为先验知识，大致可以将它们分为两类。33169
第一类算法主要是在恢复场景三文信息的基础上，根据某种准则对三文点云进行搜索，以提取出平面结构。一个经典代表是Ogundana[1]在2011年提出的空间三文平面提取算法。在已知场景三文信息的前提下，该算法将经典Hough变换拓展到三文空间，从而实现了立体图像中的平面目标检测。先通过传统的SFM得到场景的三文点云信息，然后通过一种被称为J-Linkage的点云聚类算法，从三文点云中提取出空间三文平面，重投影到图像中，得到图像中的平面结构。论文网
第二类平面提取算法大多是基于图像间几何特征的提取和匹配来实现的，无需事先对场景的三文结构信息进行计算恢复。比较经典的是RANSAC算法：这个算法是根据一组包含着异常数据的样本数据集，然后计算出了数据的数学模型参数，得到了有效样本数据的算法。它于1981年由Fischler和Bolles[2]最先提出。RANSAC算法经常被用在计算机视觉领域。例如，在立体视觉领域中可以同时解决一对相机的匹配点问题和基本矩阵的计算。RANSAC算法的基本假设是样本中包含了正确数据，也包含了异常数据，即数据集中含有噪声。这些异常数据可能是由于错误的测量，也可能是错误的假设，还有可能是错误的计算等一些原因产生的。
   现在， 以RANSAC为基础的方法已被广泛使用。这些方法通常遵循迭代地应用RANSAC算法[3]上的数据，同时除去对应于当前发现平面实例内围层的范例。由于RANSAC需要相对较长的时间为随机平面模型的选择和比较，几种不同的变种被开发。Oehler[4]进行Hough变换和连接成分分析的点云先预分割，然后应用RANSAC细化每个产生的“surfels”（每640×480分2秒）。几种算法[5]-[7]应用RANSAC于点云的局部地区（其中降低被认为在每一个RANSAC运行，以便增加速度），然后将数据从本地找到平面实例整点云区域（0.2秒[5]或0.1秒[6]每640×480点;0.03S [7]每320×240点）。区域发展为基础的方法是另一种流行的选择。Hähnel [8]和Poppinga [9]通过这两个点平面的距离阈值和MSE阈值（0.2秒每25344分）计算增长点。 Holz[10]通过其表面的正常偏差（0.5秒每640×480点）的增长点，从而通过一定的计算得到每点正常估计。类似的，还有很多，但更慢的变体是体素生长[11]。相反，对于越来越多的点，Geogiev[12]从数据的每个扫描线提取线段，然后增加横跨扫描线（0.05S每18,100个MATLAB）的线段。
有不属于两个组的其他方法。Holz[13]首先聚集点云在正常空间，其原点（0.14s每640×480点）的距离进一步聚集为每个组。为了避免每点正常的估计，Enjarini[13]设计以深度为特征的平面分割梯度，这样可以快速计算。还有采用自适应阈值的基于图形的分割（0.17s每148500点[15]）。
Chen Feng[16]提出的采用凝聚层次聚类在有组织的点云上提取平面是一种比较快速的算法，适用于从设备上可靠地检测多个平面，如Kinect传感器获取地有组织的点云。首先通过将点云分成几个非重叠区域，通过在图像空间中均匀地分割这种点云进入点不重叠的组，在该图像空间中构造尺寸均匀的图，其节点和边分别代表一组点及其附近的点。然后该算法进行自下而上，凝聚层次聚类（AHC）的图：它重复发现，具有嵌合均方误差（MSE）和合并与它相邻的最低平面的区域使得该合并结果中的最低平面拟合MSE。其表明，集群化处理可以与在初始节点的复杂数线性，实现实时平面提取次数来进行。细化聚集区域的边界，则集群化处理之后是逐像素区域生长，最后，使用细化逐像素的区域生长提取平面。 平面提取算法研究现状综述:http://www.youerw.com/yanjiu/lunwen_30098.html