用匈牙利算法算出相匹配的 track 和 detection 的索引代码

以下是使用匈牙利算法计算相匹配的 track 和 detection 的索引的 Python 代码：

import numpy as np
from scipy.optimize import linear_sum_assignment

# tracks和detections是两个数组，其中每个元素都代表一个track或detection
# cost_matrix是一个二维数组，其中每个元素代表track和detection之间的成本
# cost_matrix[i, j]表示将第i个track与第j个detection匹配的成本
def match_tracks_to_detections(tracks, detections, cost_matrix):
    # 执行线性求和分配算法
    row_ind, col_ind = linear_sum_assignment(cost_matrix)

    # 创建一个字典来存储每个track和其匹配的detection的索引
    matches = {}
    for i, j in zip(row_ind, col_ind):
        matches[tracks[i]] = detections[j]

    # 找出没有匹配到的tracks和detections
    unmatched_tracks = set(range(len(tracks))) - set(row_ind)
    unmatched_detections = set(range(len(detections))) - set(col_ind)

    # 返回匹配和未匹配的tracks和detections
    return matches, unmatched_tracks, unmatched_detections

在上面的代码中，我们使用了 `linear_sum_assignment` 函数来执行匈牙利算法。此函数返回一个元组，其中第一个元素是行指标数组，第二个元素是列指标数组，这些指标对应于成本矩阵中的行和列。我们使用这些指标来创建一个字典，该字典将每个track与其匹配的detection的索引相关联。最后，我们计算出没有匹配到的tracks和detections。