跨镜头多目标跟踪代码，找到的几个项目文件都运行不了，请问有无相关的课程或者项目代码可学习？
不知道你这个问题是否已经解决, 如果还没有解决的话:下面展示一些 内联代码片。
import numpy as np
def driving_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ):
print(np.sum(np.dot(np.dot(W_I,Y_IJ),TRAVELTIME_IJ.T)))
return np.sum(np.dot(np.dot(W_I,Y_IJ),TRAVELTIME_IJ.T))
def waiting_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ):
tc=8 # 服务时间，24小时提供服务；
tf=2 #每辆车充电时长；
# 第一步：计算用户达到率
Tao_J=np.dot(W_I,Y_IJ/tc)
# 第二步：单位时间内充电站平均服务能力
U_J=M_J/tf
# 第三步：充电站排队系统服务强度：，由于ROU_J会存在大于1的情况，从而会促使后面求解
ROU_J=Tao_J/U_J
# 第四步：充电站内充电桩全部空闲概率：
P_J=np.full(shape=(1,M_J.shape[1]),fill_value=0.0)
for j in range(M_J.shape[1]):
temp = 0
for k in range(M_J.shape[1]):
temp+=(np.power(M_J[0,j]*ROU_J[0,j],k))/(np.math.factorial(k))
p_j0=1/(temp+(np.power(M_J[0,j]*ROU_J[0,j],M_J[0,j]))/(np.math.factorial(M_J[0,j])*(1-ROU_J[0,j])))
P_J[0,j]=p_j0
# 第五步：计算排队等候时间期望
W_Jq=np.full(shape=(1,M_J.shape[1]),fill_value=0.0)
for j in range(M_J.shape[1]):
w_jq=(np.power(M_J[0,j],M_J[0,j])*np.power(ROU_J[0,j],M_J[0,j]+1)*P_J[0,j])/(ROU_J[0,j]*np.math.factorial(M_J[0,j])*np.power(1-ROU_J[0,j],2))
W_Jq[0,j]=w_jq
# 第六步：所有用户的总的等待花费时间
T2=0
for j in range(M_J.shape[1]):
T2+=W_Jq[0,j]*Tao_J[0,j]*tc
print(T2)
if __name__ == '__main__':
# 需求量；
W_I = np.array([[10, 20, 30, 50]])
# 充电桩供给量；
M_J = np.array([[5, 10, 15]])
# 行是demand，列是provider
TRAVELTIME_IJ = np.array([[1, 1.5, 2.5],
[1.5, 1, 2],
[1, 1.5, 1],
[2.5, 1.5, 1]])
# 出行时间的阻尼函数，衰减函数
F_DIJ = 1 / TRAVELTIME_IJ
Sum_Dij_I = np.sum(F_DIJ, axis=1)
# 计算选择权重
Y_IJ = np.full(shape=(TRAVELTIME_IJ.shape), fill_value=0.0)
for i in range(W_I.shape[1]):
Y_IJ[i, :] = F_DIJ[i, :] / Sum_Dij_I[i]
# 计算驾车时间
driving_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ)
# 计算等候时间
waiting_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ)
回答：
很抱歉，我无法提供一个具体的课程或者项目代码，因为涉及到的跨镜头多目标跟踪技术需要结合特定场景和具体应用来进行设计和实现，没有通用的解决方案。
但是，我可以提供一些常用的跨镜头多目标跟踪的方法和参考资源，供您进行学习和了解：
通过训练一个监督学习模型来实现跨镜头多目标跟踪。这个模型可以使用基于特征的方法来区分不同的目标，例如SURF或SIFT等。在训练数据方面，需要收集多个镜头下的视频，并标记每一个目标的位置和状态（例如ID,速度等）。具体的实现细节可以参考以下论文：
Real-time Multiple People Tracking with Deeply Learned Candidate Selection and Person Re-identification. (Yu Xiang, Alexandre Alahi, and Silvio Savarese) TPAMI, 2018.
通过无监督的机器学习模型来实现跨镜头多目标跟踪。这个模型可以使用自编码器（Autoencoder）和聚类（Clustering）方法对不同的目标进行区分。
在跨镜头多目标跟踪中，目标的状态通常会在不同镜头间发生变化，例如位置、速度、加速度等。为了更好地跟踪不同状态下的目标，我们可以采用基于卡尔曼滤波的跟踪方法来修正目标状态预测。
以下是一些参考文献和开源代码，供您进行参考和学习：
希望这些信息能对您的学习和研究有所帮助。