一、单帧在线匹配（线性指派/二分图匹配）
Hungarian（Kuhn–Munkres，线性和指派 LSAP）
特点：精确解，一对一匹配，O(n^3)；工程中最常用（SORT、DeepSORT、ByteTrack、OCSort 等）。
成本矩阵常见定义：
IoU cost: 1 - IoU(box_track_pred, box_det)
外观 cost: 1 - cos(embedding_track, embedding_det)
运动/状态 cost: 马氏距离 d_M(x_pred, z_det)
融合: C = α·(1−IoU) + β·cos_dist + γ·norm_mahalanobis
实战要点：先做门限与门控（score 阈、IoU/马氏距离 gating）再指派；未匹配轨迹做“寿命计数”、未匹配检测新建轨迹。
Jonker–Volgenant（LAPJV）
特点：求解同一 LSAP，通常较 Hungarian 更快的实现；常见于高维或大规模时的加速版本。
Auction Algorithm（拍卖算法）
特点：近似或精确求解 LSAP，易并行，常用于超大规模实时场景。
贪心匹配（Greedy/Matching by sorting）
特点：先按置信度或相似度排序，逐个选择可行的最佳对；速度快但非最优，适合超低延迟或作为预匹配阶段。
二、多帧/全局关联（跨时间窗的二分匹配扩展）
最小费用最大流（Min-Cost Max-Flow, MCMF）
思想：把每帧检测当作层图节点，连边表示可能的跨帧关联，费用即负相似度，流量限制保证一对一，求最小费用流得到全局最优路径集合。
优点：能显式建模丢失/再出现、出生/消亡、跳帧、轨迹分裂/合并等；适合离线或滑动窗口“近全局”优化。
实现：成功最短路/网络单纯形、K 短路（k-shortest paths）等。
k-best 指派（Murty’s algorithm）
用途：在 MHT/JPDA 中需要多种关联假设时，基于 Hungarian 生成前 K 个最优指派。
优点：为多假设评估/概率融合提供候选解集合。
三、概率/软匹配（非刚性一对一，或可微训练）
JPDA（联合概率数据关联）
核心：对所有可行关联集合分配概率，轨迹更新使用期望观测；拥挤/遮挡场景下鲁棒，但计算复杂。
MHT（多假设跟踪）
核心：维持并延展多个数据关联假设树，周期性剪枝；常结合 k-best 指派。
最优传输 / Sinkhorn（可微 OT）
核心：用熵正则的 OT（Sinkhorn-Knopp）得到近似双随机矩阵，实现软匹配并可端到端训练；在端到端 MOT/视频实例分割/检测蒸馏中常见。
四、工程化组合策略（在 SOTA 跟踪器中的做法）
分级匹配（Hierarchical/Two-stage）
先用高置信度检测 + 严格阈值匹配（外观 + 运动），再用低分框或仅 IoU 进行补匹配（如 ByteTrack）。
门控（Gating）
基于卡尔曼预测的马氏距离、IoU、中心距离等进行硬门控，显著降低成本矩阵的密度和误匹配。
成本学习/自适应权重
学习α/β/γ或直接学到匹配代价；或用 ReID/Transformer 特征自带可分性，减少手工调权。
轨迹管理
未匹配计时、出生/消亡阈值、再识别（ReID）回连、短时匿踪允许等。
五、选择建议
在线实时、每帧独立：首选 Hungarian/LAPJV；特征足够时配合外观 + 运动融合。
大量目标、超低延迟：拍卖算法或贪心（可先门控再贪心）。
需要跨多帧全局一致性（掉帧/遮挡多）：最小费用最大流或滑窗 MCMF。
遮挡密集、歧义大且需要不确定性处理：JPDA/MHT（配合 Murty k-best）。
端到端可微或需要软对齐：Sinkhorn-OT。
六、极简伪代码（Hungarian + 门控）
inputs: Tracks T (with predicted states), Detections D, thresholds τ_iou, τ_maha
# 1) 构建成本矩阵
C = +inf (|T| x |D|)
for i, t in T:
for j, d in D:
if iou(t.box_pred, d.box) >= τ_iou and mahalanobis(t.state_pred, d.measure) <= τ_maha:
C[i,j] = α*(1 - iou) + β*cos_dist(t.emb, d.emb) + γ*maha_norm
# 2) 线性指派
matches = Hungarian(C)
# 3) 更新轨迹，处理未匹配的 T/D