Kalman 预测与匈牙利关联
概念解释
基于检测的跟踪通常先预测轨迹状态，再将新检测与已有轨迹关联。Kalman 滤波在给定线性状态与观测模型、噪声假设下估计状态和不确定性；匈牙利算法求解代价矩阵上的全局一对一分配。
核心方法与条件
可用位置、速度和框尺寸构造状态，以运动门控排除不合理候选，再用 1−IoU 或组合距离建立代价。设置未匹配选项以及新建、确认、丢失、删除轨迹的规则，避免强行匹配。
例题或应用
两条轨迹对两个检测的代价矩阵为 [[0.1,0.2],[0.15,0.9]]。先贪心选 0.1 会留下 0.9，总成本 1.0；全局选 0.2 与 0.15 的总成本为 0.35，展示了联合分配的作用。
常见易错点
最小总代价只是当前模型下的最优分配，代价错误仍会交换身份。急转弯、低帧率和不规则运动会削弱匀速预测，过程噪声也不能靠无限增大来解决所有偏差。
自检
请尝试不用原文解释“Kalman 预测与匈牙利关联”解决什么问题，再设计一个属于“多目标跟踪与视频”的实例，并说明适用条件和判断依据。