Традиционный венгерский алгоритм в задаче обнаружения объектов в звездном пространстве имеет четыре основных ограничения: отсутствие предсказания движения, избыточный глобальный поиск, однородные признаки сопоставления и фиксированные веса без адаптивности. В сложных сценариях с сосуществованием объектов с разными скоростями, плотным приближением объектов, динамическими изменениями размеров и низким отношением сигнал/шум, перечисленные недостатки приводят к заметному снижению точности обнаружения и согласованности идентификации. В данной статье предложен усовершенствованный венгерский алгоритм сопоставления с поэтапным улучшением на основе многопризнаков, который сначала вводит фильтр Калмана для предсказания позиции и скорости объекта, используя предсказанную позицию вместо статичного наблюдаемого положения для построения стоимости сопоставления; затем используются ковариационная матрица прогноза Калмана для построения входа по расстоянию Махаланобиса, ограничивающей пространство поиска венгерского сопоставления локальной областью внутри прогностического эллипсоида; далее разработан механизм динамических весов многопризнаков, который адаптивно регулирует вклад каждой характеристики стоимости в соответствии с надежностью текущих значений позиции, площади и соотношения сторон; наконец, введен механизм штрафа за аномалии, накладывающий дополнительную стоимость на кандидатные сопоставления с аномальными скачками площади и соотношения сторон. Эксперименты на пяти типичных симулированных сценах звездного пространства (многоскоростные объекты, плотное приближение объектов, смешение механизмов, высокая плотность объектов и низкое отношение сигнал/шум) показывают, что средний MOTA нашего алгоритма составляет 88,3%, превосходя традиционный венгерский алгоритм (82,4%) на 5,9 процентных пункта, PPMHT (64,6%) — на 23,7 пункта и ближайших соседей (82,3%) — на 6,0 пункта; среднее значение IDF1 — 65,8%, выше традиционного венгерского алгоритма (56,3%) на 9,5 пункта, PPMHT (50,0%) на 15,8 пункта; среднее количество IDS — 1,6, ниже традиционного венгерского алгоритма (3,9) на 2,3 и ближайших соседей (5,2) на 3,6; среднее время обработки — 41,2 мс на кадр, что соответствует требованиям реального времени. Абляционные эксперименты показывают, что четыре улучшения — прогноз Калмана, вход по Махаланобису, динамические веса и штраф за аномалии — вносят вклад в прирост MOTA на 8,8; 6,5; 3,2 и 1,2 процентных пункта соответственно. Наш алгоритм посредством поэтапного четырёхмерного улучшения достигает эффективного баланса между точностью обнаружения, согласованностью идентичности и вычислительной эффективностью и предоставляет эффективное решение для надежной межкадровой ассоциации объектов в звездном пространстве.

обнаружение объектов в звездном пространстве; венгерский алгоритм; многопризнаковая оптимизация; фильтр Калмана; вход по расстоянию Махаланобиса; динамические веса