L'algorithme hongrois traditionnel présente quatre limitations dans la détection des cibles dans l'espace des cartes stellaires : absence de prédiction de mouvement, redondance de recherche globale, caractéristiques de correspondance uniques et poids fixes manquant d'adaptabilité. Dans des scénarios complexes où coexistent des cibles à haute et basse vitesse, un rapprochement dense des cibles, des variations dynamiques de taille et un faible rapport signal sur bruit, ces insuffisances entraînent une diminution significative de la précision de détection et de la cohérence d'identité. Cet article propose un algorithme hongrois amélioré basé sur une progression multi-caractéristiques : d'abord, un filtre de Kalman est introduit pour prédire la position et la vitesse des cibles, utilisant la position prédite pour remplacer la position d'observation statique afin de construire le coût de correspondance ; ensuite, la matrice de covariance de la prédiction de Kalman sert à construire une porte basée sur la distance de Mahalanobis, limitant l'espace de recherche de l'algorithme hongrois de global à local dans une région ellipsoïdale prédite ; puis, un mécanisme de poids dynamique multi-caractéristiques est conçu, ajustant de manière adaptative la contribution des coûts de chaque caractéristique selon la fiabilité en temps réel de la position, de la surface et du ratio largeur/hauteur ; enfin, un mécanisme de pénalité d'anomalie est introduit pour imposer un coût supplémentaire aux correspondances candidates subissant des variations anormales de surface et de ratio largeur/hauteur. Les résultats expérimentaux dans cinq scénarios typiques de simulation de cartes stellaires (cibles multi-vitesses, rapprochement dense de cibles, mélange multi-mécanismes, cibles à haute densité et faible rapport signal sur bruit) montrent que l'algorithme proposé atteint un MOTA moyen de 88,3 %, dépassant l'algorithme hongrois traditionnel (82,4 %) de 5,9 points, l'algorithme PPMHT (64,6 %) de 23,7 points et l'algorithme du plus proche voisin (82,3 %) de 6,0 points ; un IDF1 moyen de 65,8 %, supérieur à l'algorithme hongrois traditionnel (56,3 %) de 9,5 points et à PPMHT (50,0 %) de 15,8 points ; un IDS moyen de 1,6 fois, inférieur à l'algorithme hongrois traditionnel (3,9 fois) de 2,3 fois et à l'algorithme du plus proche voisin (5,2 fois) de 3,6 fois ; un temps moyen de calcul de 41,2 ms/frame, satisfaisant les exigences en temps réel. Les expériences d'ablation montrent que les quatre améliorations progressives — prédiction de Kalman, porte de Mahalanobis, poids dynamique et pénalité d'anomalie — contribuent respectivement à des gains de MOTA de 8,8, 6,5, 3,2 et 1,2 points. Cet algorithme, via un cadre d'amélioration progressive en quatre dimensions, réalise un équilibre efficace entre précision de détection, cohérence d'identité et efficacité de calcul, fournissant une solution efficace pour l'association fiable entre images consécutives des cibles dans l'espace des cartes stellaires.

Détection des cibles dans l'espace des cartes stellaires; Algorithme hongrois; Optimisation multi-caractéristiques; Filtre de Kalman; Porte distance de Mahalanobis; Poids dynamique