1.一种列车折角塞门故障图像实时检测方法，其特征在于：所述方法包括如下步骤：A)将铁路列车运行故障动态图像检测系统所采集的原始图像进行预处理，消除拍摄环境对原始图像的影响，并对去噪后的图像进行标注，制作为带有标注的图像数据库；

B)对所述步骤A)制作的图像数据库提取图像特征，使用快速特征金字塔提取图像的多尺度联合特征，并进行特征归一化处理；

C)利用所述步骤B)特征归一化处理后的图像数据库训练基于SVM-Adaboost的级联检测器；

D)通过铁路列车运行故障动态图像检测系统采集折角塞门的待检测图像，使用滑动窗口以不同步长在待检测图像金字塔各层上滑动，并生成一系列待检测小窗口，使用快速特征金字塔提取每个待检测小窗口的多尺度联合特征，并进行归一化处理；

E)将所述步骤D)中归一化处理后的特征送入所述步骤C)中训练好的级联检测器，定位目标区域并计算置信度；

F)将所述步骤E)中计算出的置信度与设置的阈值比较，若大于阈值，保留所述步骤E)中定位的目标区域定位框，折角塞门未出现故障，否则删除所述目标区域定位框，折角塞门出现故障。

2.根据权利要求1所述列车折角塞门故障图像实时检测方法，其特征在于：所述步骤A)中，原始图像为由列车故障轨边图像检测系统室外图像采集设备实时拍摄途经列车底部制动装置动态图像，并通过光纤网络传输。

3.根据权利要求1所述列车折角塞门故障图像实时检测方法，其特征在于：所述步骤A)中，对正样本的图像目标区域进行标注，再将正负样本分别制作成带有标注的折角塞门图像数据库，正样本为非故障图像，负样本为故障图像，折角塞门图像数据库的制作将故障图像和非故障图像分开存储。

4.根据权利要求1所述列车折角塞门故障图像实时检测方法，其特征在于：所述步骤B)中，多尺度联合特征包括1个梯度幅值、6个方向梯度直方图和1个旋转不变LBP共8个通道，使用快速特征金字塔提取图像多尺度联合特征，并进行特征归一化处理的步骤包括：a)利用快速特征金字塔精确计算每八个尺度中一个尺度的联合特征；

b)使用该特征推算该八个尺度内其他尺度图像的特征；

c)对八个尺度提取的联合特征进行归一化处理。

5.根据权利要求1所述列车折角塞门故障图像实时检测方法，其特征在于：所述步骤C)中，所述级联检测器是由若干强分类器集合而成，所述强分类器由一组SVM弱分类器组成，训练级联检测器时，内循环使用AdaBoost迭代算法训练每一个强分类器，外循环是训练由所有强分类器组成的级联检测器。

6.根据权利要求1所述列车折角塞门故障图像实时检测方法，其特征在于：所述步骤F)中，置信度阈值为0.1～0.4。