lap.lapjv函数cost_limit参数

卷饼小萨满

已于 2022-11-09 16:15:35 修改

阅读量1.5k

点赞数 5

文章标签：算法 python 目标跟踪

于 2022-11-09 16:11:59 首次发布

本文链接：https://blog.csdn.net/peilan8655/article/details/127771081

版权

该博客介绍了如何利用lapjv算法解决线性分配问题，特别是在目标跟踪场景下。通过设置cost_limit参数，可以控制代价矩阵中元素的最大值，避免错误匹配或漏掉匹配目标。实例展示了cost_limit对匹配结果的影响，帮助理解其在实际应用中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

查了不少资料，最后还是看函数文档看懂了。

cost_limit 是代价矩阵中每个元素的上限值，超过cost_limit的元素就不参与分配了。

Docstring:
Solve linear assignment problem using Jonker-Volgenant algorithm.

cost: an N x N matrix containing the assignment costs. Entry cost[i, j] is
  the cost of assigning row i to column j.
extend_cost: whether or not extend a non-square matrix [default: False]
cost_limit: an upper limit for a cost of a single assignment
            [default: np.inf]
return_cost: whether or not to return the assignment cost

Returns (opt, x, y) where:
  opt: cost of the assignment, not returned if return_cost is False.
  x: a size-N array specifying to which column each row is assigned.
  y: a size-N array specifying to which row each column is assigned.

When extend_cost and/or cost_limit is set, all unmatched entries will be
marked by -1 in x/y.
Type:      builtin_function_or_method

用视频跟踪举个例子：

如图为kilman预测和检测框计算出来的代价矩阵，一般计算方式为1-iou。

然后把代价矩阵送入lapjv，以总体最小代价(分配后元素和最小)实现任务分配。

	K1	K2	K3
D1	0.5	0.6	0.7
D2	0.4	0.7	0.5

from lap import lapjv
import numpy as np

a = np.array([[0.5,0.6,0.7],[0.4,0.7,0.5]])
 
c,x,y = lapjv(a,extend_cost=True,cost_limit=0.4)
 
print(c,x,y)

output：0.4 [-1  0] [ 1 -1 -1]

c为求得的最小代价之和，x和y为分配结果，一个是将y分配给x，一个是将x分配个y，是一样的；以x为例，-1代表未被匹配。所以[-1,0]代表D1没有匹配项，D2匹配到了K1； cost_limit为代价矩阵中每个元素可以取值的上限不能超过0.4。

cost_limit改为0.6看一下：

from lap import lapjv
import numpy as np

a = np.array([[0.5,0.6,0.7],[0.4,0.7,0.5]])
 
c,x,y = lapjv(a,extend_cost=True,cost_limit=0.6)
 
print(c,x,y)

output: 1.0 [0 2] [ 0 -1  1]

这回两个目标都匹配上了，x=[0,2]代表D1匹配了K1，D2匹配了K3。

在目标跟踪里， cost_limit设置过小，会漏掉能匹配上的目标，设置过大，会增加错误的匹配。