1.一种基于增量误差计算的行人检测器训练方法，其特征在于，包括以下步骤：
步骤1：以样本的局部图像特征和对应的类别标签，作为训练集；
样本是矩形图像窗口；类别标签包括行人和背景两种，行人是正样本，背景是负样本，其标签分别以1和-1表示；
步骤2：对训练集中的每个样本的权重进行初始设置，且初始化用于行人检测的决策桩序号，设定决策桩序号的上限值；
步骤3：对权重进行归一化处理，并构建有序特征值数组集合和伴随权重数组集合；
对训练集中每个样本的相同特征的特征值进行升序排列，获取有序特征值数组集合；同时，对每个特征值对应的权重按照特征值的排序进行重排，获得与有序特征值数组集合对应的伴随权重数组集合；
步骤4：计算误差数组集合和极性数组集合；
依次以每个有序特征值数组中的每个元素为阈值，对训练集中的样本进行分类，使用与有序特征值数组对应的伴随权重数组中权重元素增量式计算分类误差，得到误差数组集合；同时，以误差数组中每个误差元素的极性值，构建对应的极性数组，得到极性数组集合；
步骤5：对误差数组集合中每个误差数组进行顺序查找最小误差，获得最小误差数组，并以最小误差所在的误差数组的下标构成下标数组；
步骤6：利用最小误差数组中的最小误差，设置决策桩；
步骤7：按照决策桩更新训练集中每个样本的权重，同时，更新决策桩序号；
步骤8：判断决策桩序号是否超过设定的上限值，若未超过，返回步骤3，否则，使用所有决策桩构建行人检测器。
2.根据权利要求1所述的方法，其特征在于，所述步骤4中的分类误差采用以下公式增量式计算：
其中，ei，j是以第i个有序特征值数组的第j个元素为阈值对应的分类误差，wi，j是第i个伴随权重数组的第j个元素，yi，j是对应样本标签，正样本标签为1，负样本标签为-1。
3.根据权利要求2所述的方法，其特征在于，所述误差元素的极性值是指当分类误差
4.根据权利要求1所述的方法，其特征在于，所述决策桩按照以下方式设置：
令决策桩对应的特征维度序号μt＝m1，决策桩分类误差εt＝mine，决策桩极性ρt＝pm1，m2，决策桩阈值θt＝om1，m2，决策桩为
其中，mine为最小误差数组中的最小误差，(m1，m2)为mine在下标数组中的对应下标，pm1，m2和om1，m2分别是极性数组集合和有序特征值数组集合中第m1个数组中的第m2个元素，
5.根据权利要求4所述的方法，其特征在于，所述行人检测器如下：
其中，
6.根据权利要求4所述的方法，其特征在于，训练集中每个样本的权重按照以下公式更新：
其中，样本xi被正确分类时ei＝0，否则ei＝1，
7.一种基于增量误差计算的行人检测器训练系统，其特征在于，包括：
训练集：包括样本的局部图像特征和对应的类别标签；
初始化单元：对训练集中的每个样本的权重进行初始设置，且初始化用于行人检测的决策桩序号，设定决策桩序号的上限值；
权重归一化单元：对权重进行归一化处理；
有序特征值数组集合和伴随权重数组集合构建单元：对训练集中每个样本的相同特征的特征值进行升序排列，获取有序特征值数组集合；同时，对每个特征值对应的权重按照特征值的排序进行重排，获得与有序特征值数组集合对应的伴随权重数组集合；
误差数组集合和极性数组集合计算单元：依次以每个有序特征值数组中的每个元素为阈值，对训练集中的每个样本进行分类，使用与有序特征值数组对应的伴随权重数组中权重元素以增量方式计算分类误差，得到误差数组集合；同时，以误差数组中每个误差元素的极性值，构建对应的极性数组，得到极性数组集合；
最小误差数组获取单元：对误差数组集合中每个误差数组进行顺序查找最小误差，获得最小误差数组，并以最小误差所在的误差数组的下标构成下标数组；
决策桩设置单元：利用最小误差数组中的最小误差，设置决策桩；
决策桩训练单元：按照决策桩更新训练集中每个样本的权重，同时，更新决策桩序号；
行人检测器确定单元：判断决策桩训练单元中决策桩序号是否超过设定的上限值，若未超过，则重新依次调用权重归一化单元、有序特征值数组集合和伴随权重数组集合构建单元、误差数组集合和极性数组集合计算单元、最小误差数组获取单元以及决策桩设置单元，重新设置决策桩，再调用决策桩训练单元重新训练，直到决策桩序号达到设定的上限值后，利用所有的决策桩，构建行人检测器，否则，利用所有的决策桩，构建行人检测器。