帮写一个PROSAC算法

PROSAC（PROgressive Sample Consensus）算法是一种用于鲁棒估计的随机采样一致性算法。它是对RANSAC（Random Sample Consensus）算法的改进和扩展。

PROSAC算法的主要思想是逐步增加采样集合的大小，从而提高鲁棒性和准确性。它通过以下步骤来实现：

1. 初始化：从数据集中随机选择一个最小的样本集合，并计算模型参数。
2. 评估：使用模型参数对所有数据进行评估，并计算每个数据点与模型的拟合误差。
3. 排序：根据拟合误差对数据点进行排序，选择前一部分数据点作为内点集合。
4. 更新模型：使用内点集合重新计算模型参数。
5. 增加采样：逐步增加采样集合的大小，重复步骤2-4，直到达到预定的迭代次数或满足停止条件。
6. 最优模型选择：选择具有最大内点数量的模型作为最终的估计结果。

PROSAC算法相对于传统的RANSAC算法具有以下优势：
- 可以在迭代过程中动态调整采样集合的大小，从而提高鲁棒性和准确性。
- 可以自适应地选择内点集合，减少外点的干扰。
- 可以通过设置停止条件来控制算法的运行时间。