Традиционный алгоритм Венгера имеет четыре основных ограничения при обнаружении целей в пространстве звездной карты: отсутствие прогноза движения, избыточный глобальный поиск, однообразие признаков сопоставления и фиксированные веса без адаптивности. В сложных сценариях с сосуществованием целей на высоких и низких скоростях, плотным сближением целей, динамическими изменениями размеров и низким отношением сигнал-шум перечисленные недостатки приводят к значительному снижению точности обнаружения и согласованности идентификации. В данной работе предложен усовершенствованный алгоритм Венгера, основанный на многофункциональном поэтапном улучшении: сначала введён фильтр Калмана для прогнозирования положения и скорости цели, при этом прогнозируемая позиция используется вместо статического наблюдаемого положения для формирования стоимости сопоставления; затем используется ковариационная матрица прогноза Калмана для построения контроля по расстоянию Махаланобиса, ограничивая пространство поиска алгоритма Венгера локальной областью внутри прогнозируемого эллипсоида; далее разработан механизм динамического веса множества признаков, который адаптивно регулирует вклад затрат каждого признака согласно надежности положения, площади и соотношения сторон в реальном времени; наконец введён механизм штрафных затрат за аномалии, дополнительно нагружающий кандидатные сопоставления с резкими аномальными изменениями площади и соотношения сторон. Результаты экспериментов в пяти типичных имитационных сценариях звездной карты (многоскоростные цели, плотное сближение целей, смешанные механизмы, высокая плотность целей и низкое отношение сигнал-шум) показывают, что предложенный алгоритм достигает среднее значение MOTA 88,3%, что на 5,9 процентных пункта превышает традиционный алгоритм Венгера (82,4%), на 23,7 пункта обгоняет алгоритм PPMHT (64,6%) и на 6,0 пункта — алгоритм ближайшего соседа (82,3%); средний IDF1 — 65,8%, что на 9,5 пункта выше традиционного алгоритма Венгера (56,3%) и на 15,8 пункта выше PPMHT (50,0%); среднее количество IDS — 1,6 раза, что на 2,3 раза меньше, чем у традиционного алгоритма Венгера (3,9 раза), и на 3,6 раза меньше, чем у алгоритма ближайшего соседа (5,2 раза); среднее время обработки — 41,2 мс/кадр, что соответствует требованиям реального времени. Результаты абляционного анализа показывают, что четыре усовершенствования — прогноз Калмана, контроль по Махаланобису, динамические веса и наказание за аномалии — вносят в MOTA вклад 8,8; 6,5; 3,2 и 1,2 процентных пункта соответственно. Предложенный алгоритм через рамочную структуру с четырьмя измерениями достигает эффективного баланса между точностью обнаружения, согласованностью идентификации и вычислительной эффективностью, предлагая эффективное решение для надежной межкадровой ассоциации целей в пространстве звездной карты.

Обнаружение целей в пространстве звездной карты; алгоритм Венгера; многофункциональная оптимизация; фильтр Калмана; контроль по расстоянию Махаланобиса; динамические веса