数学相关：余弦距离、卡尔曼滤波、匈牙利算法、奇异值分解、地平面拟合

前言：以下都是我在查阅资料时觉得写的比较好的博客...我们都是站在巨人的肩膀上，感谢他们。

矩阵运算基础——余弦距离与欧式距离

求解余弦距离：

import numpy as np

a = np.array([[1,2],
	      [2,3],
	      [4,5]])
b = np.array([[1,1.5],
	      [2,6],
	      [3,5]])

def _cosine_distance(a, b, data_is_normalized=False):
    if not data_is_normalized:
        a = np.asarray(a) / np.linalg.norm(a, axis=1, keepdims=True) 
        b = np.asarray(b) / np.linalg.norm(b, axis=1, keepdims=True)
    return 1. - np.dot(a, b.T) ## 1 - cos α

def _nn_cosine_distance(x, y):
    distances = _cosine_distance(x, y)
    result = distances.min(axis=0)
    return result

_nn_cosine_distance(a,b)

卡尔曼滤波：Kalman滤波器的一个重要的应用就是目标追踪，即根据当前时刻的目标测量值和上一时刻最优值对当前时刻的预测值得到当前时刻的最优值，并预测下一时刻的估计值。

详解卡尔曼滤波原理

卡尔曼滤波,最最容易理解的讲解

涉及到的高斯函数相乘：直观理解高斯函数相乘

匈牙利算法：带你入门多目标跟踪（三）匈牙利算法&KM算法

奇异值分解：奇异值分解(SVD)原理

地平面拟合：点云拟合—平面拟合

SVD解决平面拟合问题