可见光对光照变化、夜间可视性以及其他环境等影响较为敏感,与可见光相比较,红外热成像可以有效避免上述问题。红外热成像检测技术具有非接触、直观、操作方便、安全、单次检测面积大等诸多优点。但是红外热成像因其独特的成像特点会带来其他的挑战,所以利用红外热成像做人体检测分析也并不简单。人体目标进行检测和识别一直以来是图像信息处理领域的研究热点。红外热成像可以在任何外界条件下工作,比可见光有更广阔的应用范围,所以红外热成像的目标检测有非常良好的应用前景。红外热成像检测的过程包括多个阶段,每个阶段又包含多个环节,各个环节联系紧密,每一个环节的处理效果都将对后续的处理结果造成影响。而红外热成像又有其特殊的成像机理与特征,因此在检测系统设计和算法编程处理时,应该以优化和保证下一环节的处理效果为目的,来保证红外热成像人体检测的精度和速度,获得最佳的实时性处理效果。针对以上问题,在对现有红外及可见光人体目标检测方法和红外图像中人体目标的成像特征进行分析的基础上,以红外热成像图像上的静态人体目标作为研究对象,进行了红外热成像人体目标检测的研究。本论文的主要内容包括以下几点:(1)分析了目前国内外常用的红外热成像人体目标检测的方法和过程,分析了每个步骤的实验原理,利用常用的图像处理算法对红外热成像进行处理分析,从理论层面,总结了检测红外人体目标适用的算法以及各类算法的优劣性。(2)针对检测识别复杂背景中的红外人体目标时仍然存在的问题,提出了一种改进的快速全局K-means聚类算法进行图像分割,该方法聚类中心点的选取根据中值滤波的抗敏性原理,选择灰度中值为初始聚类中心,解决了由于K-means聚类原始中心随机选择而导致的聚类分割结果不准确的问题,并通过灰度特征设定阈值,缩短了迭代时间,提高图像识别效率。(3)人体特征提取与识别,选择了HOG+SVM的算法结合,HOG特征提取可以很好的维持对图像的集合和光学形变的良好不变性,人体细微的姿态变化不影响特征的提取。提取出待测目标的HOG特征,包括梯度大小和方向的特征集,输入到接下来选择的SVM分类器,找到SVM分类器的最优超平面进行目标识别。实验结果表明,本算法对人体识别具有良好的识别效果及适用性。(4)用红外热像仪在现实环境下拍摄的照片验证本文提出的算法,并与原始算法对比分析,实验结果表明,经过优化,本文使用的算法精确度提高了3%左右,平均运行时间也缩短了一秒左右。将其应用于实际现场,通过数据统计,得出了此算法具有有效性及实用性。