Der traditionelle ungarische Algorithmus weist bei der Zielerkennung im Sternkartenraum vier Einschränkungen auf: fehlende Bewegungsprognose, redundante globale Suche, einheitliche Matching-Merkmale und feste Gewichte ohne Anpassungsfähigkeit. In komplexen Szenarien mit Koexistenz von schnellen und langsamen Zielen, dichter Annäherung von Zielen, dynamischer Größenänderung und niedrigen Signal-Rausch-Verhältnissen führen diese Mängel zu einer signifikanten Abnahme der Erkennungsgenauigkeit und Identitätskonsistenz. Dieser Artikel schlägt einen auf mehrmerkmaliger progressiven Verbesserung basierenden ungarischen Matching-Algorithmus vor. Zunächst wird ein Kalman-Filter zur Vorhersage von Zielposition und -geschwindigkeit eingeführt, wobei die vorhergesagte Position die statische Beobachtungsposition zur Berechnung der Matching-Kosten ersetzt; anschließend wird die Kovarianzmatrix der Kalman-Vorhersage verwendet, um ein Mahalanobis-Abstandstor zu konstruieren, wodurch der Suchraum des ungarischen Abgleichs von global auf eine lokale Region innerhalb der prognostizierten Ellipse eingeschränkt wird; dann wird ein mehrmerkmaliger dynamischer Gewichtungsmechanismus entworfen, der die Kostenbeiträge der einzelnen Merkmale basierend auf der Echtzeitzuverlässigkeit von Position, Fläche und Seitenverhältnis adaptiv anpasst; schließlich wird ein Anomalie-Bestrafungsmechanismus eingeführt, der Kandidatenübereinstimmungen mit abnormalen Sprüngen in Fläche und Seitenverhältnis zusätzliche Kosten auferlegt. Experimente in fünf repräsentativen simulierten Sternkarten-Szenarien (mehrgeschwindige Ziele, dichte Annäherung, Mischmechanismen, hohe Ziel-Dichte und niedriges Signal-Rausch-Verhältnis) zeigen, dass der Algorithmus im Durchschnitt eine MOTA von 88,3 % erreicht, was eine Steigerung um 5,9 Prozentpunkte gegenüber dem traditionellen ungarischen Algorithmus (82,4 %), 23,7 Prozentpunkte gegenüber PPMHT (64,6 %) und 6,0 Prozentpunkte gegenüber dem nächsten Nachbarn (82,3 %) bedeutet; ein durchschnittliches IDF1 von 65,8 %, was eine Steigerung um 9,5 Prozentpunkte gegenüber dem traditionellen Algorithmus (56,3 %) und 15,8 Prozentpunkte gegenüber PPMHT (50,0 %) darstellt; durchschnittlich 1,6 IDS, was 2,3 weniger als beim traditionellen Algorithmus (3,9) und 3,6 weniger als beim nächsten Nachbarn (5,2) entspricht; eine durchschnittliche Verbrauchszeit von 41,2 ms pro Frame, die Echtzeitanforderungen erfüllt. Ablationsversuche zeigen, dass die vier Verbesserungen – Kalman-Prognose, Mahalanobis-Tor, dynamische Gewichte und Anomalie-Bestraffung – jeweils MOTA-Steigerungen von 8,8, 6,5, 3,2 bzw. 1,2 Prozentpunkten beitragen. Der Algorithmus erreicht durch das progressiv vierdimensionale Verbesserungsframework ein effektives Gleichgewicht zwischen Erkennungsgenauigkeit, Identitätskonsistenz und Rechenleistung und bietet eine effektive Lösung für die zuverlässige Zwischenbildzuordnung von Zielen im Sternkartenraum.

Zielerkennung im Sternkartenraum; ungarischer Algorithmus; mehrmerkmalige Optimierung; Kalman-Filter; Mahalanobis-Abstandstor; dynamische Gewichte