匈牙利匹配算法
匈牙利算法是匈牙利数学家Edmonds因此得名于1965年。匈牙利算法是基于Hall定理中充分证明的思想是部图匹配最常见的算法。该算法的核心是寻找扩展路径。它是一种利用扩展路径寻求两分图最大匹配的算法。 匈牙利算法（Hungarian Algorithm）具体来说，采用二分图法的思想，Hungarian Algorithm 这是一个递归过程，尽可能地找到上一帧与当前帧目标的一对一匹配。该算法对红线连接的准确性有很高的要求，即对运动模型和表观模型有很高的要求。为了获得更好的结果，有必要匹配高信誉的匈牙利算法。 (1)初始化二分图 确认当前帧中可能与上一帧中目标匹配的检测框，如图所示 3-9（a）； （2）按照 ID 顺序依次匹配 首先，可能与上一帧目标相匹配 1 匹配当前帧的目标 1 匹配(红色代表匹配)。如图所示 3-9（b）； （3）对目标 2 进行匹配 如图 3-9（c）； （4）对目标 3 进行匹配 此时，发现当前帧可以与目标相匹配 3 匹配目标 1,2 已经匹配了，为了使目标 3 可以匹配目标，试着把以前匹配起来 U 匹配到目标 1 的目标与另一个目标匹配（黄色代表取消匹配），如图 3-9（d），这时发现 U 中的目标 1 可匹配的 V 中的目标 2 也已经被 U 中的目标 2 匹配到了，那么同样的，在 U 中的目标 2 如图所示，更换匹配目标 3-9（e），然后回到上一步，就可以了 U 中的目标 1，2，3 均与目标匹配，如图所示 3-9（f）； （5）对目标 4 进行匹配 与上述步骤相同，但最终没有找到符合要求的匹配方法，因此 U 中的目标 4 同时，当前帧中的目标4消失在这一帧中 被视为新的目标。 
bool find(int x){
int j; for (j=1;j<=m;j ){
if (line[x][j]==true && used[j]==false){
used[j]=1; if (girl[j]==0 || find(girl[j])){
girl[j]=x; return true; } } } return false; } 下面是主程序 for (i=1;i<=n;i ) {
memset(used,0,sizeof(used)); ////这个每一步都被清空了 if find(i) all+=1;
}
-
自动驾驶结合
在自动驾驶中，不同传感器每一个周期返回不同的目标，相互之间如何匹配呢，对于同一个传感器而言，一般都有不同目标对应的ID，但是在夸传感器之间就没有这么幸运的事，另外融合了所有传感器的目标之后我们自己的输出，也需要目标和目标之间的配准，这中间都可以应用匈牙利匹配的方法实现。
之前的文章中有介绍多目标的融合方法：传感器数据融合，当时只是把融合的方法进行分类，并没有介绍一种行之有效的操作手册，那这里我来阐述一下我的一个思路：
我们有一个目标模型：，其中 u 和 v 分别代表目标中心的水平和垂直像素位置，而 s 和 r 分别代表目标边界框的比例（面积）和纵横比，这里是和一个固定尺度进行比较，一般选最大的区间，使得归一化到统一的模型中。后面的是通过kalman滤波进行跟踪之后的结果。 采用匈牙利匹配对这些目标进行匹配，这中间不同目标之间的好感度，我们采用预测边界框之间的交并比（IoU）来计算，当然我们也不会一位的进行配对，需要设计最小交并比（IoU），也就是说交并比太小我们没有必要强行匹配。 文章发现边界框的 IoU 距离隐式处理由目标经过引起的短时遮挡。具体地说，当遮挡物盖过目标时，只检测到遮挡物。尽管隐藏目标离检测框中心更近，但 IoU 距离更倾向于具有相似比例的检测。这使得可以在不影响覆盖目标的情况下，通过检测对遮挡目标进行校正。 当目标进入和离开图像时，需要相应地创建或销毁唯一标识。对于创建跟踪程序，文中认为任何重叠小于 IoUmin 的检测都表示存在未跟踪的目标。使用速度设置为零的边界框信息初始化跟踪器。由于此时无法观测到速度，因此速度分量的协方差用较大的值初始化，反映出这种不确定性。此外，新的跟踪器将经历一个试用期，其中目标需要与检测相关联以积累足够的证据以防止误报的跟踪。 最后的最后，我们对于一个对象的建立和销毁，需要加入延时判断，这样才不会让我们的目标来回跳动，增加目标融合的稳定性。
参考文献 https://blog.csdn.net/zhouyy858/article/details/103830741 https://blog.csdn.net/dark_scope/article/details/8880547