知识点：
1.马氏距离用于相似性度量
马氏距离(Mahalanobis Distance)是一种距离的度量，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。
单个数据点的马氏距离 
数据点x, y之间的马氏距离 
其中Σ是多维随机变量的协方差矩阵，μ为样本均值，如果协方差矩阵是单位向量，也就是各维度独立同分布，马氏距离就变成了欧氏距离。
2.经典方法sort 和deep sort解析：
知乎：https://zhuanlan.zhihu.com/p/59148865
3.卡尔曼滤波器
https://blog.csdn.net/coming_is_winter/article/details/79048700
4.匈牙利算法
https://blog.csdn.net/sunny_hun/article/details/80627351
5.MHT多假设跟踪算法
原论文：（ICCV2015）
https://www.researchgate.net/publication/300408299_Multiple_Hypothesis_Tracking_Revisited
阅读笔记：
https://blog.csdn.net/yuhq3/article/details/78436382
解释以及应用：
6.N-Scan剪枝方法
https://blog.csdn.net/u014386899/article/details/104779956
7.多目标跟踪度量指标
（1）https://blog.csdn.net/TYUT_xiaoming/article/details/99820073
（2）https://blog.csdn.net/m0_37163827/article/details/85865271（下图截自该文）
来源：CSDN
作者：页页读
链接：https://blog.csdn.net/u014386899/article/details/104793526