Sort多目标跟踪中的：指派问题与匈牙利解法

最新推荐文章于 2024-09-30 01:15:00 发布

Kerrwy

最新推荐文章于 2024-09-30 01:15:00 发布

阅读量6.8k

点赞数 2

分类专栏：深度学习-检测与跟踪 Algorithm

本文链接：https://blog.csdn.net/Kerrwy/article/details/81018202

版权

本文介绍了指派问题及其在多目标跟踪中的应用，通过匈牙利算法寻找最佳任务分配以使总花费时间最小。文章探讨了指派问题的性质，并提供了算法的流程图和代码实现，特别地，它展示了如何在计算多帧Bbox的最大IOU匹配时利用此算法。

摘要由CSDN通过智能技术生成

有个蛮有意思的趣解，可帮助各位看官理解。

1、指派问题概述

有n项不同的任务，需要n个人分别完成其中的1项，每个人完成任务的时间不一样。于是就有一个问题，如何分配任务使得花费时间最少。

通俗来讲，就是n*n矩阵中，选取n个元素，每行每列各有1个元素，使得和最小，如图表示：

2、指派问题性质

最优解一般满足：若从矩阵的一行（列）各元素中分别减去该行（列）的最小元素，得到归约矩阵，其最优解与原矩阵的最优解相同。

3、匈牙利法流程图

4、代码实现

在多目标跟踪时，我们得到了上一帧的多个Bbox与这一帧的多个Bbox的IOU矩阵，需要找到最大IOU组合的索引对，这时我们使用匈牙利算法来计算。

import numpy as np


def linear_assignment(X):
    """
    使用匈牙利算法解决线性指派问题。
    """

    indices = _hungarian(X).tolist()
    indices.sort()
    # Re-force dtype to ints in case of empty list
    indices = np.array(indices, dtype=int)
    # Make sure the array is 2D with 2 columns.
    # This is needed when dealing with an empty list
    indices.shape = (-1, 2)
    return indices


class _HungarianState(object):
    """
    执行匈牙利算法的状态.

    """

    def __init__(self, cost_matrix):
        cost_matrix = np.atleast_2d(cost_matrix)    # 2维矩阵

        # 如果行大于列，算法则不能正常工作。需要转换过来。
        transposed = (cost_matrix.shape[1] < cost_matrix.shape[0])
        if transposed:
            self.C = (cost_matrix.T).copy()
        else:
            self.C = cost_matrix.copy()
        self.transposed = transposed  # 记录这个标志

        # 此时 m >= n.
        n, m = self.C.shape
        self.row_uncovered = np.ones(n, dtype=np.bool)
        self.col_uncovered =

最低0.47元/天解锁文章