1.一種基于壓縮感知的生物與非生物目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：S1：通過成像光路模塊對(duì)目標(biāo)進(jìn)行成像，將目標(biāo)圖像投影于孔徑編碼器上；S2：信號(hào)控制模塊根據(jù)預(yù)定的特征識(shí)別模式生成相對(duì)應(yīng)的確定矩陣模式，通過所述確定矩陣模式控制所述孔徑編碼器得到至少一個(gè)待處理特征信號(hào)，完成目標(biāo)圖像的壓縮計(jì)算及特征識(shí)別；S3：所述待處理特征信號(hào)經(jīng)圖像處理及分類模塊負(fù)責(zé)完成放大、處理和訓(xùn)練比較分類，得到最終特征信號(hào)。
2.如權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟S1中，包括根據(jù)預(yù)定的特征識(shí)別模式對(duì)目標(biāo)圖像進(jìn)行灰度處理，將經(jīng)灰度處理獲得的灰度圖像投影于所述孔徑編碼器上。
3.如權(quán)利要求2所述的目標(biāo)識(shí)別方法，其特征在于：步驟S2中，該確定矩陣模式對(duì)應(yīng)于所述特征識(shí)別模式下特征識(shí)別運(yùn)算的算子，所述灰度圖像經(jīng)所述算子卷積，生成至少一個(gè)待處理特征信號(hào)。
4.如權(quán)利要求3所述的目標(biāo)識(shí)別方法，其特征在于：步驟S3中，所述圖像處理及分類模塊包括經(jīng)訓(xùn)練得到的生物特征庫，所述待處理特征信號(hào)通過所述生物特征庫對(duì)生物特征進(jìn)行比較分類，并通過直方圖將所述待處理特征信號(hào)進(jìn)行識(shí)別。
5.如權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于：步驟S2中，所述特征識(shí)別模式包括基于HOG特征、LBP特征、Haar特征或Curvelet變換的特征識(shí)別。
6.如權(quán)利要求2所述的識(shí)別方法，其特征在于：包括S11：對(duì)所述灰度圖像進(jìn)行分區(qū)，得到包括多個(gè)像素的細(xì)胞單元，并由多個(gè)所述細(xì)胞單元構(gòu)成一區(qū)塊；S12：根據(jù)所述區(qū)塊的像素密度，對(duì)所述區(qū)塊內(nèi)的各細(xì)胞單元作歸一化處理，以得到所述目標(biāo)圖像。
7.如權(quán)利要求6所述的目標(biāo)識(shí)別方法，其特征在于：包括S21：所述信號(hào)控制模塊根據(jù)水平梯度算子Gx控制所述孔徑編碼器對(duì)目標(biāo)圖像的多個(gè)像素點(diǎn)作為采樣點(diǎn)進(jìn)行多次采樣，得到水平梯度信號(hào)X；S22、所述信號(hào)控制模塊根據(jù)垂直梯度算子Gy控制所述孔徑編碼器對(duì)目標(biāo)圖像的多個(gè)像素點(diǎn)作為采樣點(diǎn)進(jìn)行多次采樣，得到垂直梯度信號(hào)Y。
8.如權(quán)利要求7所述的目標(biāo)識(shí)別方法，其特征在于：步驟S3中，所述圖像處理及分類模塊的處理器根據(jù)水平梯度信號(hào)X和所述垂直梯度信號(hào)Y進(jìn)行放大，根據(jù)所述細(xì)胞單元生成第一方向梯度直方圖，根據(jù)所述第一方向梯度直方圖生成所述區(qū)塊的第二方向梯度直方圖，根據(jù)所述第二方向梯度直方圖生成目標(biāo)圖像的第三方向梯度直方圖，所述根據(jù)所述細(xì)胞單元生成第一方向梯度直方圖，包括根據(jù)訓(xùn)練后的生物特征庫對(duì)所述第一方向梯度直方圖進(jìn)行權(quán)重投影，完成特征的訓(xùn)練分類。
9.一種基于壓縮感知的生物與非生物特征的目標(biāo)識(shí)別系統(tǒng)，其特征在于，用于實(shí)現(xiàn)權(quán)利要求1-8任一項(xiàng)所述的識(shí)別方法，包括成像光路模塊、信號(hào)控制模塊、圖像處理及分類模塊，所述成像光路模塊包括第一透鏡、孔徑編碼器、反射鏡、第二透鏡、光電傳感器，所述信號(hào)控制模塊包括信號(hào)發(fā)生器，所述圖像處理及分類模塊包括處理器、放大器和生物特征庫。
10.如權(quán)利要求9所述的目標(biāo)識(shí)別系統(tǒng)，其特征在于，所述孔徑編碼器為數(shù)字微鏡器件、隨機(jī)反射鏡、可變形鏡或復(fù)合孔徑掩膜。