Der traditionelle ungarische Algorithmus weist vier Einschränkungen bei der Zielerkennung im Sternkartenraum auf: Mangel an Bewegungsvorhersage, überflüssige globale Suche, einheitliche Matching-Merkmale und feste Gewichte ohne Anpassungsfähigkeit. In komplexen Szenarien mit Koexistenz von Zielen mit hohen und niedrigen Geschwindigkeiten, dichter Annäherung von Zielen, dynamischer Größenänderung und niedrigem Signal-Rausch-Verhältnis führen diese Mängel zu einem signifikanten Rückgang der Erkennungsgenauigkeit und Identitätskonsistenz. Dieser Artikel schlägt einen auf mehreren Merkmalen basierenden, fortschrittlichen ungarischen Matching-Algorithmus vor. Zunächst wird ein Kalman-Filter eingeführt, um Position und Geschwindigkeit der Ziele vorherzusagen, wobei die vorhergesagte Position anstelle der statischen Beobachtungsposition zur Berechnung der Matching-Kosten verwendet wird; anschließend wird die Kalman-Vorhersagekovarianzmatrix zur Konstruktion eines Mahalanobis-Distanz-Gates genutzt, das den Suchraum des ungarischen Matchings von global auf lokale Bereiche innerhalb der vorhergesagten Ellipse beschränkt; dann wird ein dynamischer Mehrmerkmals-Gewichtsmechanismus entworfen, der die Kosteneinträge der Merkmale basierend auf der Echtzeit-Zuverlässigkeit von Position, Fläche und Seitenverhältnis adaptiv anpasst; schließlich wird ein Anomalie-Bestrafungsmechanismus eingeführt, der zusätzliche Kosten für Kandidatenmatches mit ungewöhnlichen Sprüngen in Fläche und Seitenverhältnis auferlegt. Die experimentellen Ergebnisse in fünf repräsentativen Simulationsszenarien für Sternkarten (Mehrgeschwindigkeitsziele, dichte Zielannäherung, Mischmechanismen, hochdichte Ziele und niedriges Signal-Rausch-Verhältnis) zeigen, dass der vorgeschlagene Algorithmus eine durchschnittliche MOTA von 88,3 % erreicht, was eine Steigerung um 5,9 Prozentpunkte gegenüber dem traditionellen ungarischen Algorithmus (82,4 %), um 23,7 Punkte gegenüber dem PPMHT-Algorithmus (64,6 %) und um 6,0 Punkte gegenüber dem nächstgelegenen Nachbaralgorithmus (82,3 %) bedeutet; einen durchschnittlichen IDF1 von 65,8 %, was 9,5 Punkte über dem traditionellen ungarischen Algorithmus (56,3 %) und 15,8 Punkte über PPMHT (50,0 %) liegt; einen durchschnittlichen IDS von 1,6-mal, was 2,3-mal weniger ist als beim traditionellen ungarischen Algorithmus (3,9-mal) und 3,6-mal weniger als beim nächstgelegenen Nachbaralgorithmus (5,2-mal); und eine durchschnittliche Rechenzeit von 41,2 ms/Frame, die Echtzeitanforderungen erfüllt. Ablationsstudien zeigen, dass die vier Verbesserungen — Kalman-Vorhersage, Mahalanobis-Gating, dynamische Gewichtung und Anomaliebestrafung — jeweils MOTA-Gewinne von 8,8, 6,5, 3,2 bzw. 1,2 Prozentpunkten beitragen. Der Algorithmus erreicht durch ein vierdimensionales schrittweises Verbesserungs-Framework eine effektive Balance zwischen Erkennungsgenauigkeit, Identitätskonsistenz und Recheneffizienz und bietet eine effektive Lösung für die zuverlässige Zwischenbildassoziation von Zielen im Sternkartenraum.

Zielerkennung im Sternkartenraum; Ungarischer Algorithmus; Mehrmerkmalsoptimierung; Kalman-Filter; Mahalanobis-Distanz-Gating; Dynamische Gewichtung