目标

• 利用匈牙利算法对目标框和检测框进行关联

在这里我们对检测框和跟踪框进行匹配，整个流程是遍历检测框和跟踪框，并进行匹配，匹配成功的将其保留，未成功的将其删除。

def associate_detections_to_trackers(detections, trackers, iou_threshold=0.3):"""将检测框bbox与卡尔曼滤波器的跟踪框进行关联匹配:param detections:检测框:param trackers:跟踪框，即跟踪目标:param iou_threshold:IOU阈值:return:跟踪成功目标的矩阵：matchs新增目标的矩阵：unmatched_detections跟踪失败即离开画面的目标矩阵：unmatched_trackers"""# 跟踪目标数量为0，直接构造结果if (len(trackers) == 0) or (len(detections) == 0):return np.empty((0, 2), dtype=int), np.arange(len(detections)), np.empty((0, 5), dtype=int)# iou 不支持数组计算。逐个计算两两间的交并比，调用 linear_assignment 进行匹配iou_matrix = np.zeros((len(detections), len(trackers)), dtype=np.float32)# 遍历目标检测的bbox集合，每个检测框的标识为dfor d, det in enumerate(detections):# 遍历跟踪框（卡尔曼滤波器预测）bbox集合，每个跟踪框标识为tfor t, trk in enumerate(trackers):iou_matrix[d, t] = iou(det, trk)# 通过匈牙利算法将跟踪框和检测框以[[d,t]...]的二维矩阵的形式存储在match_indices中result = linear_sum_assignment(-iou_matrix)matched_indices = np.array(list(zip(*result)))# 记录未匹配的检测框及跟踪框# 未匹配的检测框放入unmatched_detections中，表示有新的目标进入画面，要新增跟踪器跟踪目标unmatched_detections = []for d, det in enumerate(detections):if d not in matched_indices[:, 0]:unmatched_detections.append(d)# 未匹配的跟踪框放入unmatched_trackers中，表示目标离开之前的画面，应删除对应的跟踪器unmatched_trackers = []for t, trk in enumerate(trackers):if t not in matched_indices[:, 1]:unmatched_trackers.append(t)# 将匹配成功的跟踪框放入matches中matches = []for m in matched_indices:# 过滤掉IOU低的匹配，将其放入到unmatched_detections和unmatched_trackersif iou_matrix[m[0], m[1]] < iou_threshold:unmatched_detections.append(m[0])unmatched_trackers.append(m[1])# 满足条件的以[[d,t]...]的形式放入matches中else:matches.append(m.reshape(1, 2))# 初始化matches,以np.array的形式返回if len(matches) == 0:matches = np.empty((0, 2), dtype=int)else:matches = np.concatenate(matches, axis=0)return matches, np.array(unmatched_detections), np.array(unmatched_trackers)