【匹配算法】渐进一致采样 PROSAC(PROgressive SAmple Consensus)
方法简介
渐进一致采样法1 (PROSAC) 是对经典的 RANSAC2 中采样的一种优化。相比经典的 RANSAC 方法均匀地从整个集合中采样，PROSAC 方法是从不断增大的最佳对应点集合中进行采样的。所以这种方法可以节省计算量，提高运行速度。
详细内容
1. 引入
假设： 具有更高相似性的数据点更可能是类内点（根据相似性进行排序的半随机采样不会比完全随机采样的效果更差）
1.1. 标记说明
2. 算法
由于 PROSAC 不是从所有数据点中进行随机采样，而是需要先对数据点进行排序，然后在评价函数值最高的数据点子集中进行随机采样，这个子集被称为假设生成集，并且这个假设生成集的元素数量是不断增大的。那么现在就会面临两个问题：
- 假设生成集的大小如何确定？
- 采样过程的停止策略是什么？
代码参考：