PROSAC算法特征匹配

PROSAC（PROgressive Sample Consensus）算法是一种用于特征匹配的算法。它是一种基于采样一致性（Sample Consensus）的方法，用于解决在存在噪声和外点情况下的特征匹配问题。

PROSAC算法通过迭代的方式逐步筛选出最佳的特征匹配集合。它的基本思想是根据局部一致性原则，在候选的匹配集合中逐渐增加支持者数量，直到找到最佳的特征匹配。

PROSAC算法的主要步骤包括：

1. 初始化：从特征点集合中随机选择一个样本子集，并计算该子集内特征点之间的距离。
2. 拟合模型：根据选定的距离度量，利用采样子集中的特征点拟合一个模型。
3. 计算支持者：根据模型，计算所有特征点与模型之间的距离，并将距离小于阈值的特征点标记为支持者。
4. 更新模型：根据支持者重新拟合模型。
5. 评估模型：通过计算支持者数量和质量评估当前模型的性能。
6. 迭代更新：如果当前模型比已知最好模型更好，更新最好模型；然后根据当前模型的质量和支持者数量调整采样概率，并迭代执行步骤2至步骤5，直到满足停止条件。

PROSAC算法通过逐步筛选，可以在存在噪声和外点的情况下，得到较为准确的特征匹配结果。它广泛应用于计算机视觉领域的图像配准、目标跟踪等任务中。