匈牙利算法和卡尔曼滤波器

1.匈牙利算法
**分配问题（Assignment Problem）：**假设有N个人和N个任务，每个任务可以任意分配给不同的人，已知每个人完成每个任务要花费的代价不尽相同，那么如何分配可以使得总的代价最小。
**匈牙利算法（又叫KM算法）**就是用来解决分配问题的一种方法，它基于定理：
如果代价矩阵的某一行或某一列同时加上或减去某个数，则这个新的代价矩阵的最优分配仍然是原代价矩阵的最优分配。

算法步骤（假设矩阵为NxN方阵）：
1、对于矩阵的每一行，减去其中最小的元素
2、对于矩阵的每一列，减去其中最小的元素
3、用最少的水平线或垂直线覆盖矩阵中所有的0
4、如果线的数量等于N，则找到了最优分配，算法结束，否则进入步骤5
5、找到没有被任何线覆盖的最小元素，每个没被线覆盖的行减去这个元素，每个被线覆盖的列加上这个元素，返回步骤3

2.卡尔曼滤波器：
卡尔曼滤波被广泛应用于无人机、自动驾驶、卫星导航等领域，简单来说，其作用就是基于传感器的测量值来更新预测值，以达到更精确的估计。

在目标跟踪中，需要估计track的以下两个状态：
**均值(Mean)：**表示目标的位置信息，由bbox的中心坐标 (cx, cy)，宽高比r，高h，以及各自的速度变化值组成，由8维向量表示为 x = [cx, cy, r, h, vx, vy, vr, vh]，各个速度值初始化为0。
**协方差(Covariance )：**表示目标位置信息的不确定性，由8x8的对角矩阵表示，矩阵中数字越大则表明不确定性越大，可以以任意值初始化。
卡尔曼滤波分为两个阶段：(1) 预测track在下一时刻的位置，(2) 基于detection来更新预测的位置。