1.一种基于HOG特征和线性SVM级联分类器的行人检测方法，其特征在于：包括如下步骤：步骤一：采集站立、蹲下和弯腰三种肢体动作的行人图片形成样本集，将样本集分为三类：样本数据集T1：将站立肢体动作的行人图片作为正样本，蹲下和弯腰肢体动作的行人图片作为负样本；

样本数据集T2：将蹲下肢体动作的行人图片作为正样本，站立和弯腰肢体动作的行人图片作为负样本；

样本数据集T3：将弯腰肢体动作的行人图片作为正样本，站立和蹲下肢体动作的行人图片作为负样本；

在样本数据集T1、T2、T3中，对每个正样本赋予标签α，对每个负样本赋予标签β；

步骤二：提取每个样本的HOG特征；

步骤三：设定初始权重，将样本数据集T1、T2、T3中的正负样本用初始权重先训练出一个SVM弱分类器S1；然后根据学习误差率更新权重，将样本数据集T1、T2、T3中的正负样本用更新权重重新训练出一个SVM弱分类器S2；然后根据新的学习误差率更新权重，将样本数据集T1、T2、T3中的正负样本用更新权重重新训练出一个SVM弱分类器S3；如此重复，直至SVM弱分类器的数量达到指定数目；

步骤四：基于Adaboost思想将指定数目的SVM弱分类器进行权重更新，并集合成一个级联强分类器；

步骤五：使用级联强分类器仅对样本数据集T1、T2、T3中的负样本进行识别，将错误识别的图像加入到负样本难例集中；使用负样本难例集对级联强分类器进行优化训练。

2.根据权利要求1所述的基于HOG特征和线性SVM级联分类器的行人检测方法，其特征在于：所述步骤一中，除了采集行人图片外，同时采集背景图片，将背景图片作为样本数据集T1、T2、T3中负样本。

3.根据权利要求1所述的基于HOG特征和线性SVM级联分类器的行人检测方法，其特征在于：所述步骤二中，样本的HOG特征提取方法为：首先对图片进行灰度处理；然后对灰度处理后的图片进行Gamma校正；最后对Gamma校正后的图片进行HOG特征提取，先将图片分成若干细胞单元，再采集细胞单元中各像素点的梯度或边缘的方向直方图，再将方向直方图组合起来即形成样本的HOG特征。

4.根据权利要求1所述的基于HOG特征和线性SVM级联分类器的行人检测方法，其特征在于：所述步骤三中，SVM弱分类器的训练方法为：将样本数据集T1、T2、T3中的正负样本的HOG特征和标签均输入到SVM中进行训练，最终训练的结果将保存为XML文件，XML文件的内容包括两个数组和一个浮点数。

5.根据权利要求1所述的基于HOG特征和线性SVM级联分类器的行人检测方法，其特征在于：所述步骤四中，级联强分类器为：其中：Sk(x)为第k个SVM弱分类器，αk为Sk(x)的权重，K为SVM弱分类器的总数，sign(·)为符号函数，x为数据集；ek为学习误差率。