1.改进的复杂环境车辆特征提取和停车判别方法，其特征在于：包括以下步骤：步骤S1：对视频图像序列进行视角修正；

步骤S11：进行感兴趣区域提取：从图像中分离出车道区域，去除非车道区域对车灯提取的影响，并得到视角修正区域的原始坐标；

步骤S12：进行区域视角判别：根据四边形感兴趣区域的四个角点，判定车辆对应摄像头的拍摄视角是位于左侧还是右侧；

步骤S13：进行图像翻转：水平翻转图像，使得摄像头拍摄的车辆图像均为同一侧视角；

步骤S2：进行光照修正；

步骤S21：单高斯背景建模；

步骤S22：ROI区域亮度判别：图像亮度指标通过计算当前背景图片与正常光照下图片感兴趣区域平均灰度值的比值来表示，计算表达式如下：其中，α表示当前场景下像素亮度，当α大于1时，当前场景偏亮，当α小于1时，当前场景偏暗；K表示正常光照环境下感兴趣区域的平均灰度值，K值为可调阈值，可根据实际检测进行适度调整；n表示感兴趣区域像素点的个数，xi表示感兴趣区域某像素点的灰度值；

步骤S23：进行Gamma变换：根据Gamma校正，提出一种基于感兴趣区域(ROI)亮度判别的自适应光照修正方案：其中，I(x,y)表示当前图片在坐标为(x,y)点处的像素值大小，其中Gamma变换指数γ＝k*α，即当图像亮度偏高时候，Gamma指数大于1，经过变换之后提高了高亮度值区域的对比度；当图像亮度偏暗沉时候，Gamma指数小于1，经过变换之后提高了低亮度区域的对比度；

步骤S3：潜在目标区域候选框提取；

步骤S4：进行尺度修正；

步骤S5：通过Harr‑like统计学习分类器进行事件判别。

2.根据权利要求1所述的改进的复杂环境车辆特征提取和停车判别方法，其特征在于：所述步骤S3包括以下子步骤：

步骤S31：采用低背景更新率的混合高斯背景建模；

步骤S32：静置物体判别；

步骤S33：前景二值图片膨胀腐蚀；

步骤S34：基于Scanny提取的局部光斑排除；

步骤S35：输出潜在目标候选区域。

3.根据权利要求1所述的改进的复杂环境车辆特征提取和停车判别方法，其特征在于：所述步骤S4包括以下子步骤：

步骤S41：加载Harr‑Like特征弱分类器；

步骤S42：潜在目标区域变尺度窗口遍历；

步骤S43：检测窗口特征重映射；

特征Feature(x1,y1,x2,y2,s＝1,t＝2)由像素24*24的图片映射到W*H大小的检测窗口，变为Feature(x’1,y’1,x’2,y’2,s＝1,t＝2)，算法如下：①计算尺度因子：

X方向尺度因子α＝W/24；Y方向尺度因子β＝H/24；其中，取训练样本图片的大小为24*

24像素，潜在目标区域检测窗口遍历到某处的大小为W*H，某一Harr‑like边缘特征原型为Feature(x1,y1,x2,y2,s＝1,t＝2)，即该特征矩形在24*24大小的样本图片中位置为：左上角坐标为(x1,y1)，右下角坐标为(x2,y2)，且由一黑一白两个全等矩形构成；

②计算左上角映射坐标(x’1,y’1)：

x’1＝[α*x1]，y’1＝[β*y1]，

其中，[]表示对内部元素进行向下取整；

③计算右下角映射坐标(x’2,y’2)：

④得到特征信息Feature(x’1,y’1,x’2,y’2,s＝1,t＝2)，之后通过潜在目标候选区域事先计算好的积分图片计算Harr‑like特征的特征值。

4.根据权利要求1所述的改进的复杂环境车辆特征提取和停车判别方法，其特征在于：所述步骤S5包括以下子步骤：

步骤S51：输出每个弱分类器Harr‑like特征值大小；

步骤S52：采用弱分类器加权投票；

步骤S53：输出检测结果。

5.根据权利要求1所述的改进的复杂环境车辆特征提取和停车判别方法，其特征在于：所述方法采用改进的Adaboost特征学习系统配合进行，包括：前期剔除非典型特征，在每一个弱分类器的训练过程中，在对所有Harr‑like特征遍历筛选之前，首先预判是否为非典型特征，如果是，则不对该类型的特征进行运算；

针对高速公路场景下车辆存在的局部点块状特征，设计变尺度的中心轮廓特征，使之参与到Adaboost特征学习过程中，通过算法得到该中心轮廓特征中分类能力最优选项，提高分类效果。

6.改进的复杂环境车辆Harr‑like特征提取和Adaboost框架下停车判别系统，其特征在于：所述系统包括：视角修正模块：将不同场景的图像进行视角统一，缩小视角不同引起的Harr‑like特征类内差异；

光照修正模块：通过检测实时亮度，对图像进行亮度调节，缩小光照变化引起的Harr‑like特征类内差异；

潜在目标区域候选框提取模块：通过背景差分得到前景目标候选区域和目标尺度信息，减小滑动检测窗口遍历时不必要的运算资源浪费，提高检测实时性，同时为下一步尺度修正提供候选区域信息；

尺度修正模块：对候选区域进行变尺度检测窗口遍历，加载好已经训练好的分类器文件，对其中每一个弱分类器的Harr‑like特征，进行Harr‑like特征在检测窗口的特征重映射，计算得到相应Harr‑like特征值；

特征重映射：特征Feature(x1,y1,x2,y2,s＝1,t＝2)由像素24*24的图片映射到W*H大小的检测窗口，变为Feature(x’1,y’1,x’2,y’2,s＝1,t＝2)，算法如下：①计算尺度因子：

X方向尺度因子α＝W/24；Y方向尺度因子β＝H/24；其中，取训练样本图片的大小为24*

24像素，潜在目标区域检测窗口遍历到某处的大小为W*H，某一Harr‑like边缘特征原型为Feature(x1,y1,x2,y2,s＝1,t＝2)，即该特征矩形在24*24大小的样本图片中位置为：左上角坐标为(x1,y1)，右下角坐标为(x2,y2)，且由一黑一白两个全等矩形构成；

②计算左上角映射坐标(x’1,y’1)：

x’1＝[α*x1]，y’1＝[β*y1]，

其中，[]表示对内部元素进行向下取整；

③计算右下角映射坐标(x’2,y’2)：

④得到特征信息Feature(x’1,y’1,x’2,y’2,s＝1,t＝2)，之后通过潜在目标候选区域事先计算好的积分图片计算Harr‑like特征的特征值；

Harr‑like特征统计学习判别模块：对上一步得到的多个弱分类器特有的Harr‑like特征值进行判别，通过加权投票得到最终判决结果。