deepsort--马氏距离欧几里得距离一维空间 distance: $$ x_i-\bar{x}$$ 多维空间 di

欧几里得距离

distance: $x_i-\bar{x}$

distance: $\sqrt{(x_i-\bar{x})^2+(y_i-\bar{y})^2+(n_i-\bar{n})^2}$

实际上，分布有不同的密集程度，如图中的红点和蓝点，欧几里得距离相同，但是蓝点显然离密度高的地方近

$Ax= \lambda x$ 通过将每个特征向量视为新轴来消除协方差, 除以 $\sqrt{\lambda_i}$ , 然后计算点之间的距离，重新缩放以消除协方差. Mahalanobis距离测量执行以下操作： -它将变量转换为不相关变量 -并使其方差等于1 -然后计算简单的欧几里得距离

与欧氏距离不同的是，它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的），并且是尺度无关的(scale-invariant)，即独立于测量尺度

$D^2 = (x-\bar{x})^TS^{-1}(x-\bar{x})$

如果协方差矩阵为单位矩阵，那么马氏距离就简化为欧式距离