方法：匈⽛利算法与KM算法
用来解决多⽬标跟踪中的数据关联问题，匈⽛利算法与KM算法都是为了求解⼆分图的最⼤匹配问题。
匈⽛利算法
匈牙利算法解决无权图的最大匹配问题
将每个匹配对象的地位视为相同，在这个前提下求解最⼤匹配，提高精度
只将置信度较⾼的边才送⼊匈⽛利算法进⾏匹配。
KM算法
KM算法解决带权图的完美匹配优化问题
解决的是带权⼆分图的最优匹配问题。
举例：
初始化顶标
- 员工顶标 = 该员工最高效率
- 任务顶标 = 0
员工顶标： 张三: max(3,5,2)=5 李四: max(4,6,3)=6 王五: max(2,1,4)=4
任务顶标： 设计:0 编程:0 测试:0
构建相等子图
只保留 lx+ly=效率 的边：
张三-编程：5+0=5 ✓ 李四-编程：6+0=6 ✓ 王五-测试：4+0=4 ✓
在相等子图中找匹配（匈牙利算法）
尝试匹配：
- 张三匹配编程 → 成功
- 李四匹配编程 → 失败（编程已被占用）
- 尝试为李四找增广路径：无路可走 → 匹配失败
当前匹配：张三-编程（效率5），王五-测试（效率4），李四未匹配
调整顶标（关键步骤）
找到交错树上的点：
- S（员工）：张三、李四
- T（任务）：编程
计算调整量 delta = min{lx[i] + ly[j] - 效率[i][j]}
调整顶标：
- S中的员工：lx -= delta
- T中的任务：ly += delta
更新相等子图
检查所有边是否满足 lx[i] + ly[j] = 效率[i][j]
不符合要，符合不要
再次尝试匹配
在更新后的相等子图中找匹配：
- 张三匹配设计 → 成功
- 李四匹配编程 → 成功（6）
- 王五匹配测试 → 成功（4）
完美匹配！总效率 = 3 + 6 + 4 = 13
