El algoritmo húngaro tradicional presenta cuatro limitaciones en la detección de objetivos en el espacio de mapas estelares: falta de predicción de movimiento, redundancia en la búsqueda global, características de emparejamiento únicas y pesos fijos sin adaptabilidad. En escenarios complejos con coexistencia de objetivos de alta y baja velocidad, acercamiento denso, 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 emparejamiento húngaro mejorado de manera progresiva basado en múltiples características, 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 emparejamiento; luego utiliza la matriz de covarianza de la predicción del filtro de Kalman para construir una puerta de distancia de Mahalanobis, restringiendo el espacio de búsqueda del emparejamiento húngaro a una región local dentro del elipsoide predicho; posteriormente diseña un mecanismo de pesos dinámicos multifuncionales que ajusta de forma adaptativa la contribución de costo de cada característica en función de la confiabilidad en tiempo real de la posición, el área y la relación de aspecto; finalmente, introduce un mecanismo de penalización por anomalías que aplica un costo adicional a los candidatos de emparejamiento con cambios anómalos en el área y la relación de aspecto. Los experimentos en cinco escenarios simulados representativos de mapas estelares (objetivos a múltiples velocidades, acercamiento denso, mezcla de mecanismos, alta densidad de objetivos y baja relación señal-ruido) muestran que el algoritmo propuesto logra un MOTA promedio del 88,3%, superando al algoritmo húngaro tradicional (82,4%) en 5,9 puntos porcentuales, al PPMHT (64,6%) en 23,7 puntos y al 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, menor que el húngaro tradicional (3,9) en 2,3 y menor que el vecino más cercano (5,2) en 3,6; un tiempo de cálculo promedio de 41,2 ms/cuadro, que cumple con los requisitos de tiempo real. Los experimentos de ablación muestran que las cuatro mejoras —predicción de Kalman, puerta de Mahalanobis, pesos dinámicos y penalización por anomalías— contribuyen respectivamente aumentos de 8,8, 6,5, 3,2 y 1,2 puntos en MOTA. El algoritmo propuesto, mediante un marco de mejora progresiva en cuatro dimensiones, logra un equilibrio eficiente entre precisión de detección, coherencia de identidad y eficiencia computacional, proporcionando una solución efectiva para la asociación confiable de objetos entre cuadros en el espacio de mapas estelares.

detección de objetivos en el espacio de mapas estelares; algoritmo húngaro; optimización multi-características; filtro de Kalman; puerta de distancia de Mahalanobis; pesos dinámicos