Dit document beschrijft de ontwikkeling van een detectie en classificatie algoritme voor een sensormodule. Deze sensormodule maakt gebruik van een radarmodule en een video camera. Dit project is uitgevoerd ten behoeve van het Bachelor afstudeerproject Electrical Engineering aan de TU Delft. Deze sensormodule had als doel het detecteren en classificeren van mensen in een spooromgeving, dit om koperdiefstal en suïcidale pogingen tegen te gaan. De algoritmiek is ontwikkeld ten behoeve van een radarmodule, die werkt op Frequency-Modulated Continuous Wave radar. Deze radar is ingesteld op een Fast-Ramp-FMCW stuursignaal. De inkomende radardata wordt succesvol gesegmenteerd en na verwerking worden hieruit verschillende spectrogrammen gecreëerd ten opzichte van de tijd, de radius en het Doppler domein. Het radius-Doppler spectrogram wordt gebruikt voor de detectie van objecten aan de hand van een vaste drempelmap die uit gaat van een RCS-, ruis- en clutterbijdrage. Deze drempelmap is per module anders en is succesvol geimplementeerd voor de K-MC1 radarmodule van RF Beam. Vanuit de drempeloverschrijdingen wordt er, met behulp van binaire morphologie, filtering gedaan van de gedetecteerde objecten welke geen breed snelheidsspectrogram hebben en dus geen bewegend mens kunnen zijn. Hierna wordt de snelheid en radius bepaald waarop de overgebleven objecten zich bevinden. Op deze radius worden de objecten geclassificeerd met behulp van het Doppler-tijd spectrogram. Deze classificatie gebeurt aan de hand van de snelheid van het object en de herhaalfrequentie van het menselijke patroon in het Doppler-tijd spectrum. Dit werkt succesvol voor mensen die lopen. Verder maakt de sensormodule gebruik van een video camera die beelden schiet als er een mens geclassificeerd is op basis van de radarsensor. Van deze beelden wordt een HOG beschrijving gemaakt en met behulp van een Support Vector Machine, ter verificatie, geclassificeerd als mens of geen mens. Dit werkt afhankelijk van de eigenschappen van het aangeboden beeld, als een mens zich volledig en in het midden van het beeld bevindt zijn de detectie eigenschappen goed. Voor situaties waarin mensen niet volledig of aan de zijkant van het beeld staan zijn er nog verbeteringen mogelijk. Voor het algoritme zijn er nog vele uitbreidingen mogelijk, het algoritme werkt nu op basis van het Fast-Ramp-FMCW stuursignaal en zou nog uitgebreid kunnen worden voor andere type lineaire stuursignalen. Verder kan het algoritme nog uitgebreid worden om ook rennende mensen correct te classificeren en kan er gebruikt gemaakt worden van een adaptieve drempelmap.