LAPJV算法學習筆記

偽代碼：

LAPJV算法詳解（ing_Sparse Direction的博客-CSDN博客_lap.lapjv

from lapjv import lapjv

import numpy as np

a = np.array([[0.1,0.6,0.3],[0.2,0.1,0.6],[0.5,0.2,0.9]])

x,y,c = lapjv(a)

print(x,y,c)

out: [2 0 1] [1 2 0] (0.699999988079071, array([0. , 0.3, 0.4], dtype=float32), array([-0.10000002, -0.2 , 0.3 ], dtype=float32))

其中x,y分別是按照 行列來計算的

行索引分配[2,0,1]: cost = 0.3+0.2 +0.2 = 0.7

0行，2列

1行，0列

2行，1列

列索引分配 [1,2,0]：cost = 0.2 + 0.2 +0.3 =0.7

0列，1行

1列，2行

2列，0行

cost就是求和最小。

bytetrack用到的lapjv算法：

cost, x, y = lap.lapjv(cost_matrix, extend_cost=True, cost_limit=thresh)

for ix, mx in enumerate(x):

if mx >= 0:

matches.append([ix, mx])

c++版：

參見博客：

ByteTrack 多目標跟蹤 測試筆記_jacke121的專欄-CSDN博客

在bytetrack的c++版本中。

網友實現的python3源碼版：

LAPJV-線性分配問題的Jonker-Volgenant算法V3.0：解決LAP的Jonker-Volgenant算法的Matlab實現。-matlab開發_-互聯網文檔類資源-CSDN下載

MATLAB

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。