1.一种基于模板概率密度函数的车牌定位方法，其特征在于，包括如下步骤：步骤1)利用Harris角点检测结果，进行车牌特征的几何特征滤波；利用车牌区域Harris特征点的空间分布特点进行数学建模，对可能出现车牌的区域进行滤波，当高为h宽为w的滑动窗口中检测到的Harris特征点的数目N大于阈值TN，并且这些特征点的几何重心G’与滑动窗口的重心G0之间的距离小于阈值TG的时候，认为该区域为车牌区域，检测方法如式(1)：

其中，

在式(2)中，(xi,yi)代表着滑动窗口中提取的第i个特征点的坐标；(x’,y’)代表着滑动窗口内的特征点集合的重心，dist(G′,G0)代表着Harris特征点的几何重心G’与滑动窗口的重心G0之间的距离；

步骤2)利用车牌训练样本，在RGB颜色空间进行车牌的颜色特征滤波；利用RGB颜色空间进行车牌颜色特征滤波，首先计算候选区域的颜色特征测试样本ftest与6个颜色子空间中心特征ftrain的距离，如果测试样本特征与最相似的子空间特征的距离小于阈值TC，那么该区域被判断为车牌，否则被判断为背景，颜色特征滤波过程为：在式(4)中， 代表着滑动窗口的测试颜色特征向量与训练样本颜色特征向量之间的距离，ftest为候选区域滑动窗口提取的颜色特征向量；i*代表滑动窗口的测试特征ftest与6个训练样本颜色子空间的特征向量ftrain中距离最近的颜色子空间的索引值， 代表训练样本的第i个颜色子空间的中心颜色特征向量；

步骤3)求取经过二次滤波后产生的候选区域的二值化图像；首先，彩色图像被车牌字体颜色阈值分割为二值图像；然后，利用水平方向的投影判断出在滑动窗口中所包含的二值图像是否存在着6个字符间隔，若有，判断为车牌候选区域；

步骤4)利用车牌字符结构分布建立车牌模板概率密度函数，在候选区域内进行车牌最大概率定位；具体内容为：根据中国标准车牌图像中字符结构和尺寸比例信息，建立的车牌模板概率密度检测模型为：

式(5)中，xi代表滑动窗口所对应的第i个模板概率函数的输入变量；每个模板概率密度函数p(x|λi)都服从正态分布；μ1代表标准车牌中最大字符间隔与车牌总长度的比例；μ2代表标准车牌中最大字符间隔前半与后边车牌长度的比例，μ3代表标准车牌中汉字符宽度与车牌总长度的比例，μ4代表标准车牌中汉字符宽度与前半车牌长度的比例，μ5代表标准车牌垂直几何中心，σi代表着第i个模板概率密度函数正太分布的标准差，根据式(5)求取候选区域内的最大模板概率密度函数值所对应的滑动窗口的位置就是最终车牌定位的结果。

2.根据权利要求1所述的一种基于模板概率密度函数的车牌定位方法，其特征在于：求取 的步骤为：首先，提取所有车牌训练样本的RGB颜色直方图特征；然后，利用K‑Means聚类算法将所有训练样本的RGB颜色特征自动分割成6个颜色子空间，每个颜色子空间中的中心颜色向量即确定为