1.一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，包括以下步驟：
將輸入的待測圖像利用縮放算法生成金字塔圖像集合；
在像素級聯(lián)檢測器的離線訓(xùn)練過程中，通過計算“像素級聯(lián)特征”生成可供AdaBoost相關(guān)算法學(xué)習(xí)和訓(xùn)練使用的弱分類器；
使用上述生成的弱分類器，構(gòu)建能夠提取車牌顏色像素點特征的強分類器，并進一步將強分類器級聯(lián)為像素級聯(lián)檢測器即建立包含不同尺寸車牌的級聯(lián)分類器結(jié)構(gòu)；
利用像素級聯(lián)檢測器，在金字塔圖像集合中以預(yù)定大小步進地判定該檢測區(qū)域內(nèi)是否存在車牌，像素級聯(lián)檢測器的檢測能夠排除大部分背景窗口，但是得到的檢測窗口中仍包含部分背景；
基于HOG特征和SVM分類器進一步判斷檢測是否存在車牌，標(biāo)定車牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢車牌的位置及大小。
2.如權(quán)利要求1所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，將輸入的待測圖像利用縮放算法生成金字塔圖像集合，具體的，取縮放比例為s，則輸入圖像可按縮放比例s，將待測圖像等比例縮放為原圖像尺寸的s,s2,...,sn倍，生成層數(shù)為n+1的金字塔圖像集合,n為正整數(shù)。
3.如權(quán)利要求1所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，在線檢測過程中，利用像素級聯(lián)檢測器，在金字塔圖像集合中以預(yù)定大小步進地判定該檢測區(qū)域內(nèi)是否存在車牌。
4.如權(quán)利要求1所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，在HOG特征和SVM分類器的離線訓(xùn)練過程中，通過訓(xùn)練車牌和背景圖像樣本得到HOG+SVM分類器，將像素級聯(lián)檢測器得的檢測窗口作為輸入，提取其HOG特征，并使用離線訓(xùn)練的SVM分類器進行二分類，包括車牌和背景，判斷該檢測窗口是車牌還是背景。
5.如權(quán)利要求1所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，在金字塔縮放的圖像中標(biāo)定車牌的位置為(x,y)和大小為(w,h)，按所在的金字塔圖像的縮小比例s，換算到原始圖像中，確定所檢車牌的位置(x/s,y/s)及大小(w/s,h/s)，其中x、y分別為金字塔縮放的圖像中車牌所在的位置橫坐標(biāo)及縱坐標(biāo)，w、h分別為金字塔縮放的圖像中車牌的寬度及高度。
6.如權(quán)利要求1所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，“像素級聯(lián)特征”的計算過程為：
構(gòu)建一個彩色空間通道組成的向量X＝(x1,x2,...,xn)，其中xi是對應(yīng)第i個彩色空間的像素點值，共n個彩色通道，對輸入圖像坐標(biāo)(i,j)像素點位置使用一個n維的權(quán)值向量W進行加權(quán)相乘，并加上一個偏移值b，得到顏色通道轉(zhuǎn)換后的像素特征pij：
pij＝(W*X)ij+b (1)。
7.如權(quán)利要求6所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，得到顏色通道轉(zhuǎn)換后的像素特征后，使用AdaBoost方法進行訓(xùn)練，得到權(quán)值向量W和偏移值b，其訓(xùn)練過程中使用的弱分類器定義為c，
其中，ηp是訓(xùn)練過程中得到的閾值，σ∈{+1,-1}是一個極性參數(shù)。
8.如權(quán)利要求1所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，在檢測過程中，面對是縮放算法生成的金字塔圖像集合中的矩形檢測窗口，因此需要將像素級別的特征轉(zhuǎn)化成矩形特征。
9.如權(quán)利要求8所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，將像素級別的特征轉(zhuǎn)化成矩形特征的過程為：記檢測窗口R，其中共有nR個像素點，像素特征弱分類器c級聯(lián)像素級別的強分類器為C，第i個像素級別強分類表示為c(i)，其中c(i)包含的弱分類器表示為c(i)，Sgn函數(shù)是二值化函數(shù)，其括號內(nèi)的值大于0則sgn值為1，小于等于0則sgn值為-1，那么矩形特征強分類器表示為SR：
10.如權(quán)利要求9所述的一種基于像素級聯(lián)特征的模糊車牌檢測方法，其特征是，對SR設(shè)置閾值θS得到強分類器的分類結(jié)果函數(shù)Hp，可以判斷該窗口是車牌或非車牌，+1代表車牌，0代表非車牌：