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S2:进行光照修正；

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S1包括以下子步骤：

步骤S11：进行感兴趣区域提取；

步骤S12:进行区域视角判别；

步骤S13：进行图像翻转。

3.根据权利要求1所述的改进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2包括以下子步骤：步骤S21：单高斯背景建模；

步骤S22：ROI区域亮度判别；

步骤S23：进行Gamma变换。

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。

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。

6.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。

7.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。

8.改进的复杂环境车辆特征提取和停车判别系统，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；

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。