1.移动视频巡检中危险区域行人检测方法，其特征在于，包括以下步骤；

步骤1：提取HOG特征，包括将图像灰度化；对输入图像进行颜色空间的归一化；计算图像每个像素的梯度，包括大小和方向；将图像划分成小的cells单元格，为每个单元格构建梯度方向直方图；将cells组合成大的块，块内归一化梯度直方图；将图像内的所有block的HOG特征描述符串联起来就得到该图像的HOG特征描述符；

步骤2：构建一种(r，P，k)的中值采样方案，(i，j)是中心像素的坐标，r是采样圆的半径，θ是圆上点的偏移角度，k代表径向距离或与参考点的相邻距离，k＝0，1，2，...，n表示圆上采样点的总数，P表示从n个采样点产生并由梯度LBP描述符编码的参考点总数；对于给定的中心像素xc和采样编码模式(r，P，k)，总共有(2k+1)*P个圆上的原始采样点，定义四个梯度LBP描述符，并且提出一种自适应训练方法构建gLBP的纹理映射，这四个特征描述符分别是中心梯度C，径向梯度R，幅值梯度M和切线梯度T；

在上述步骤2中，具体定义如下：

(1)中心梯度描述符：

gLBPr，P，k_C(xc)＝s(gc‑μc)   (4)其中，xc表示给定的要编码的中心像素，gc代表所有(2k+1)*P圆上采样点的平均强度，即 μc是整幅图像的平均强度，即s(.)表示

(2)径向梯度描述符：

其中m(xp，k)表示在参考点xp的径向相邻线上的所有2k+1个径向采样点的中值运算，k仍然表示到参考点xp的径向距离；

(3)幅值梯度描述符：

其中，μm表示整幅图像上|m(xp，k)‑gc|的平均值；

(4)切线梯度描述符：

m(xp，k)仍然表示2k+1个采样点的中值，与xp的距离小于或等于k；通常情况下，除了中心像素xc，大部分采样点没有准确落在实际像素点上，采用双线性插值计算强度；

步骤3：训练二级级联分类器，第一级的分类器使用线性SVM，去除大部分容易区分的负样本，保留几乎所有正样本送入第二级分类器，第二级分类器是Adaboost分类器，对正样本进行检测。

2.根据权利要求1所述的移动视频巡检中危险区域行人检测方法，其特征在于：在上述步骤1中提取HOG特征包括以下步骤：a、将图像灰度化；

b、采用Gamma校正法对输入图像进行颜色空间的归一化，Gamma压缩公式：gamma

I(x，y)＝I(x，y)  (1)

c、计算图像每个像素的梯度，包括大小和方向；

T

梯度算子：水平边缘算子：[‑1，0，1]；垂直边缘算子：[‑1，0，1]图像中像素点(x，y)的梯度为：

Gx(x，y)＝H(x+1，y)‑H(x‑1，y)Gy(x，y)＝H(x，y+1)‑H(x，y‑1) (2)式中Gx(x，y)，Gy(x，y)，H(x，y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值；像素点(x，y)处的梯度幅值和梯度方向分别为：d、将图像划分成小的cells单元格，为每个单元格构建梯度方向直方图；

e、将cells组合成大的块，块内归一化梯度直方图；

f、将图像内的所有block的HOG特征描述符串联起来得到该图像的HOG特征描述符。

3.根据权利要求1所述的移动视频巡检中危险区域行人检测方法，其特征在于：在上述步骤2中，使用一种基于训练的特征映射方法，主要步骤如下：A、计算 直方图，ri表示旋转不变性；

B、将步骤A的直方图降序排序，生成相对变化率曲线；

C、通过相对变化率曲线的峰值识别主导模式边界；

D、重构gLBP特征模型。

4.根据权利要求1所述的移动视频巡检中危险区域行人检测方法，其特征在于：在上述n步骤3中，线性SVM分类器中给定标记的形如 的训练数据，其中yi∈{‑1，+1}，xi∈R ，通过运用C‑SVM的构想，对于一个线性问题，通过最小化下式来找到一个超平面，达到区分数据的最好效果：上式满足条件：yi(w·xi+b)≥1‑ξi，ξi≥0，C＞0，其中C是正则化和约束违反之间的权衡；

n n

对于数据点上的内核K(x，z)：R×R→R，内积为 在一个高维的特征空间，通过最大化双重构想公式达到同样的目的：

满足条件0≤αi≤C，∑αiyi＝0；决策函数是sign(h(x))，其中，为了表述清楚，认为特征xl：l∈{1，2，...，m}是支持向量。

5.根据权利要求1所述的移动视频巡检中危险区域行人检测方法，其特征在于：在上述步骤3中，Adaboost分类器中，设给定N个训练样本{x1，…，xN}，用fm(x)∈{‑1，1}表示M个弱分类器在样本x上的输出，m＝1，…，M，通过Adaboost算法构造这M个分类器并进行决策的具体过程如下：步骤1：初始化训练数据的权值分布，每一个训练样本，初始化时赋予同样的权值w＝1/N，N为样本总数；

D1＝(w11，w12，…w1i，…，w1N)，w1i＝1/N，i＝1，2，…，N (11)其中，D1表示第一次迭代时每个样本的权值，w11表示第一次迭代时第一个样本的权值；

步骤2：进行多次迭代，m＝1，2，…，M，M表示迭代次数；

1)使用具有权值分布Dm的训练样本集进行学习，m＝1，2，…，N，得到弱分类器，

2)Gm(x)：χ→{‑1，+1} (12)

上式表示第m次迭代时的弱分类器，将样本x分类成1或‑1，分类标准为使得该弱分类器的误差函数最小，分错的样本对应的权值之和最小；即

2)计算弱分类器Gm(x)的话语权，话语权αm表示Gm(x)在最终分类器中的重要程度，其中em为上步中的εm，该式随em减小而增大，即误差率小的分类器，在最终分类器中的重要程度大；

3)更新训练样本集的权值分布，用于下一轮迭代；其中，被错误分类的样本的权值会增大，正确分类的样本权值会减小，Dm+1＝(wm+1，1，wm+1，2，…，wm+1，i，…，wm+1，N)   (14)其中，Dm+1是下次迭代时样本的权值，wm+1，i是下一次迭代时，第i个样本的权值；yi表示第i个样本对应的类别，1或‑1，Gm(xi)表示弱分类器对样本xi的分类，1或‑1，若分类正确，yiGm(xi)的值为1，反之为‑1，Zm是归一化因子，使得所有样本对应的权值之和为1；

步骤3：迭代完成后，组合弱分类器，形成强分类器，

6.根据权利要求1所述的移动视频巡检中危险区域行人检测方法，其特征在于：在上述步骤3中，SVM‑Adaboost级联分类器训练检测步骤如下所示：Step1：提取训练样本的HOG特征；

Step2：提取训练样本的gLBP特征；

Step3：把HOG特征与gLBP特征联合，得到训练数据；

Step4：使用训练数据训练测试样本，得到测试数据；

Step5：使用SVM对Step3中的训练数据进行分类，得到分类模型；

Step6：使用Adaboost对Step3中的训练数据进行分类，得到分类模型；

Step7：基于负样本的训练数据，加入一些HOG‑gLBP特征的新的负样本生成新的负样本数据；

Step8：对Step7中的负样本数据分类，记录被错误分类的难例数据；

Step9：把难例加到Step3中的训练数据中，重新使用SVM分类得到第一个分类模型；

Step10：使用Step9中的第一级分类器对Step4中的测试数据进行分类，此步骤去除了大部分容易区分的负样本，减少了工作量，把剩余的样本输入到第二级Adaboost分类器；

Step11：Adaboost分类器对输入的大部分正样本数据进行分类，输出最终结果。