最近发现要写的东西很多，在轨迹规划中还有一大堆的新概念，但是要花大力气才能理解皮毛，所以调节一下，学点相对比较简单的概念，匈牙利匹配！
1. 匈牙利匹配
匈牙利匹配最早是在图论中出现的，至于如何在自动驾驶中得到应用，我们一点点展开：
我们的时代经过几代人不懈努力，房价终于赶英超美，也带来了剩男剩女大潮，假设你是媒人，手上有N个剩男、M个剩女，中间有很多相互有不同程度的好感，屌丝的单相思不考虑啊，要互相有好感才行。那么你打算如何撮合他们呢？首先要求尽可能的多，并且最终总的满意度最高。匈牙利匹配步骤如下：
1. 先试着给1号男生找妹子，发现和他相互有好感的1号女生还名花无主，nice!，连上一条线。
2. 接着给2号男生找妹子，发现和他相互有好感的2号女生名花无主，nice!，连上一条线。
3. 接下来是3号男生，很遗憾和他相互有好感的1号女生已经有主了，怎么办呢？我们试着拆散1号男和一号女，让一号男重新找，把3号男和一号女连在一起，如果1号男能找到其他的女生，那不就多成就了一对吗？散花....
4. 接下来是4号男生，通过上面腾挪的方法，发现4号男生的加入，不管如何腾挪，都不能多成就一对，那我们只能放弃4号同学了。
5. 特别的这个中间有几个问题，每一次腾挪我们都要考虑一个总的受益，每个男女都相互有不同程度的好感，和好感度高的在一起相对更满意，但是如果最终没有配对成功，满意度才是最低的，所以每一次腾挪都需要比较两次的最终总的满意度。
2. 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。
3. 升华
最近奇葩说看得有点多，讲完我的故事还需要价值升华！朋友们2019年是自动驾驶的寒冬，那又怎样，宝剑锋从磨砺出,梅花香自苦寒来。越是遇到这样的窘况，越能体现我们坚守的可贵，这是一个不缺梦想的时代，缺的是你为梦想所付出的行动。
