人体目标识别技术是当前研究的热点,目前一些汽车生产商、大学研究机构都相继开始了人体检测识别技术的研究,并取得了一定的成就。目前常用的人体识别方法有基于运动特性的方法、基于形状信息的方法、基于行人模型的方法等。传统的方法基本上都是基于图像的,往往设备昂贵,计算复杂度高,而热释电红外传感器探测人体发出的红外辐射,在有效范围内可实现运动人体检测。因其具有低成本,低功耗和高灵敏度等特点,在人体检测识别方面其具有巨大的优势。但是采用热释电传感器来进行人体检测也有其缺陷,会产生大量的冗余和许多错误的数据,这就要求我们设计出优化的算法来处理这些原始数据。本文提出来一种针对热释电传感器的人体检测和识别的特征提取和数据融合的方法,在保证较高的识别率的前提下,比较好的解决了热释电传感器产生的数据量大,错误率高的缺陷。论文主要工作包括建立了经过菲涅尔透镜调制的基于热释电无线红外传感器的目标模型,对目标模型信号的预处理,目标信号的特征提取,分类器的设计,实验结果的分析。本文一开始简要描述了人体目标识别的研究背景和研究现状,简单叙述了人体目标识别的传统方法。接着,建立了人体目标穿过经过菲涅尔透镜阵列调制过的热释电红外传感器阵列的目标模型,并利用短时傅里叶变换(STFT)对仿真信号模型进行了预处理。然后,研究了基于非负矩阵分解(NMF)算法和奇异值分解(SVD)的信号特征提取,并利用稀疏约束条件下的NMF算法,进一步降低了特征信号的复杂度。之后,研究了BP神经网络的结构,学习方法,标准的BP算法,BP网络的训练步骤以及BP网络的不足,并在此基础上研究了改进动量型的BP网络算法。BP网络构造较容易,对输入数据的要求比较的宽泛,有非常扎实的理论根据,且在实践中应用及其广泛,因此选择利用BP神经网络作为本文的人体目标识别的分类器。最后,根据前面的理论研究,结合信号模型,设计出来基于NMF和SVD的特征提取和BP神经网络的人体目标识别方法,实验结果表明识别率最高可达92.4%,从而证明了该方案的可行性。