1.一种基于图像块深度学习特征的红外行人检测方法，其特征在于：该方法包括以下步骤：步骤1：将数据集分为训练集和测试集；对于训练集数据，提取图像中的人工标注的正样本，然后随机采样若干区域作为负样本；将正负样本区域放缩到统一大小，然后采用滑动窗口提取固定尺度的小图像块；

步骤2：对正样本产生的小图像块进行特征提取，然后对提取到的特征进行聚类，聚类中心数量为k；

步骤3：将聚类后得到的每一类小图像块作为正样本，结合步骤1得到的负样本的小图像块，训练k个二分类的卷积神经网络；

步骤4：对步骤1中由训练集产生的正负样本使用步骤3得到的神经网络提取特征，然后训练SVM分类器；

步骤5：对于测试集数据，提取图像的似人性区域；

步骤6：将步骤5中提取到的似人性区域放缩到统一大小，使用步骤3得到的神经网络提取特征，通过步骤4的SVM分类器得到分类结果；

在步骤3中，所述的训练卷积神经网络的过程为：首先，构造一个适合于数据集规模的卷积神经网络，所述的网络为卷积层和抽样层交替出现，输出层为softmax分类器层的多层网络，再利用反向传播算法传递误差信号，更新梯度，寻找最优值；

在步骤4中，所述的对正负样本提取神经网络特征训练SVM分类器的过程为：对于单个区域，滑动提取n个小图像块，然后使用步骤3所得的k个卷积神经网络对每个小图像块依次提取特征，最终生成一个k×n维的特征描述子；将由卷积神经网络特征描述后的正负样本区域用来训练SVM分类器，学习得到最优权重和偏差值。

2.根据权利要求1所述的一种基于图像块深度学习特征的红外行人检测方法，其特征在于：在步骤1中，所述对图像进行负样本的采样，采样区域宽度和高度的范围分别由正样本宽度和高度的最大值和最小值决定，并且负样本的区域与正样本的重叠率不能超过0.5，重叠率的计算公式为：其中IoU为重叠率，rg为正样本区域，rn为随机采样负样本区域。

3.根据权利要求1所述的一种基于图像块深度学习特征的红外行人检测方法，其特征在于：在步骤2中，所述对正样本的小图像块提取特征聚类的过程包括以下步骤：

1)、对每一个小区域块提取HOG特征

HOG特征提取步骤为：首先将图像分成小的细胞单元，然后在每个细胞单元上计算梯度直方图，并使用一种逐块的模式来归一化计算的结果，最后对每一个细胞单元返回相应的特征描述子；

2)、采用K-Means++算法进行聚类

K-Means++算法是一种基于K-Means的改进算法，该聚类算法包括两步步骤：

21)、聚类中心的选择：

首先从输入的特征集合中随机选择一个特征，作为第一个聚类中心，对于每一个特征计算它与最近的聚类中心即已选择的聚类中心的距离，并选择一个新的特征作为新的聚类中心，选择的原则是离已有中心距离较大的特征，被选取作为聚类中心的概率较大，重复选择特征，直到k个聚类中心被选择出来；

22)、K-Means算法

在确定了k个聚类中心以后，使用标准的K-Means算法，根据每个聚类中心，计算每个特征到这些聚类中心的距离，并根据最小距离对所有的特征进行划分，再重新计算每个类的中心，并重新分类，重复上述过程，直到标准测度函数收敛，分类结束。

4.根据权利要求1所述的一种基于图像块深度学习特征的红外行人检测方法，其特征在于：在步骤5中，所述的提取图像的似人性区域的算法，采用选择性搜索算法(Selective Search)，该算法的步骤为：首先，利用图像分割算法得到初始化小区域，然后使用颜色、纹理、大小和填充将区域合并，得到一个分层的图像结构，最后用结构中的所有层代表最终的感兴趣区域。

5.根据权利要求1所述的一种基于图像块深度学习特征的红外行人检测方法，其特征在于：在步骤6中，所述的对似人性区域进行分类，首先，将似人性区域调整尺寸大小后，采用与步骤4所提出的相同的特征提取算法，然后应用步骤4训练得到的SVM分类器对测试集数据的似人性区域进行分类，得到测试集数据的检测结果。