outliers - 角度数据拟合策略

Question

我有一组角度。分布可以大致描述为：

• 通常有几个值非常接近（相距 0.0-1.0 度）到正确的解决方案
• 也有噪声值与正确结果相去甚远，甚至方向相反

是否有针对此类问题的通用解决方案/策略？

对于多维数据，我会使用 RANSAC - 但我的印象是，将 Ransac 应用于一维数据是不寻常的。另一个问题是计算角度的平均值。我阅读了其他一些关于如何使用向量计算角度平均值的帖子，但我只是想知道是否没有一个特定的拟合解决方案已经可以处理这两个问题。

Answer 1

即使在这种情况下，您也可以使用 RANSAC，满足所有必要条件（最小样本、数据点错误、共识集）。您的最小样本将是 1 个点，一个随机选择的角度（尽管您可以尝试所有这些，但可能足够快）。然后，所有有误差的角度（数据点）（您可以只使用绝对距离，模 360）小于某个阈值（例如 1 度），将被视为内点，即在共识集中。

如果你想更多地使用它，你可以通过添加一些局部优化来使结果更稳定，参见例如： Lebeda, Matas, Chum: Fixing the Locally Optimized RANSAC, BMVC 2012。

您可以尝试另一种方法，例如中位数，或拟合高斯分布和均匀分布的混合，但您必须以某种方式处理信号的周期性，所以我想 RANSAC 应该是您的选择。