El algoritmo húngaro tradicional presenta cuatro limitaciones en la detección de objetivos en el espacio de mapas estelares: falta de predicción de movimiento, búsqueda global redundante, características de correspondencia únicas y pesos fijos que carecen de adaptabilidad. En escenarios complejos con coexistencia de objetivos de alta y baja velocidad, acercamiento denso de objetivos, cambios dinámicos de tamaño y baja relación señal-ruido, estas deficiencias provocan una disminución significativa en la precisión de detección y la coherencia de identidad. Este artículo propone un algoritmo de correspondencia húngaro mejorado basado en una mejora progresiva multi-característica, que primero introduce un filtro de Kalman para predecir la posición y velocidad del objetivo, utilizando la posición predicha en lugar de la posición de observación estática para construir el costo de correspondencia; luego utiliza la matriz de covarianza de la predicción de Kalman para construir una puerta de distancia de Mahalanobis, limitando el espacio de búsqueda del algoritmo húngaro de global a local dentro de una región elipsoide predicha; posteriormente diseña un mecanismo dinámico de pesos multi-características que ajusta adaptativamente la contribución del costo de cada característica según la confiabilidad en tiempo real de la posición, área y relación de aspecto; finalmente introduce un mecanismo de penalización de anomalías que impone un costo adicional a las correspondencias candidatas con cambios anormales en el área y la relación de aspecto. Los resultados experimentales en cinco escenarios representativos de simulación de mapas estelares (objetivos de múltiples velocidades, acercamiento denso de objetivos, mezcla multimodal, alta densidad de objetivos y baja relación señal-ruido) muestran que el algoritmo propuesto alcanza un MOTA promedio del 88,3%, superando al algoritmo húngaro tradicional (82,4%) en 5,9 puntos porcentuales, al algoritmo PPMHT (64,6%) en 23,7 puntos y al algoritmo del vecino más cercano (82,3%) en 6,0 puntos; un IDF1 promedio del 65,8%, superando al algoritmo húngaro tradicional (56,3%) en 9,5 puntos y al PPMHT (50,0%) en 15,8 puntos; un IDS promedio de 1,6 veces, menor que el algoritmo húngaro tradicional (3,9 veces) en 2,3 veces y menor que el algoritmo del vecino más cercano (5,2 veces) en 3,6 veces; un tiempo promedio de procesamiento de 41,2 ms por cuadro, que cumple con los requisitos en tiempo real. Los experimentos de ablación muestran que las cuatro mejoras progresivas —predicción de Kalman, puerta de Mahalanobis, peso dinámico y penalización de anomalías— contribuyen a aumentos de MOTA de 8,8, 6,5, 3,2 y 1,2 puntos respectivamente. El algoritmo propuesto, mediante un marco de mejora progresiva en cuatro dimensiones, logra un equilibrio efectivo entre precisión de detección, coherencia de identidad y eficiencia computacional, proporcionando una solución efectiva para la asociación confiable entre cuadros en objetivos del espacio de mapas estelares.

Detección de objetivos en espacio de mapas estelares; Algoritmo húngaro; Optimización multi-característica; Filtro de Kalman; Puerta de distancia de Mahalanobis; Peso dinámico