1.一种车牌识别方法，其特征在于包括下述步骤：
第一步，图像预处理：
读入摄像机采集到的原始的彩色道路交通图像，建立Adaboost分类器的训练数据集，其中包括手动截取的4000张不同场景下的车牌正样本彩色图，以及截取的包括道路、树木和车身的20000张不同尺寸的场景负样本彩色图，对该数据集中的所有样本彩色图进行预处理，将车牌正样本彩色图大小归一化到64×20像素，不对场景负样本彩色图进行归一化处理，但保证场景负样本彩色图的尺寸大于车牌正样本彩色图；
第二步，根据颜色和纹理特征分割车辆区域：
(1)提取颜色特征图：
将第一步读入的原始的彩色道路交通图像由RGB颜色空间转换到HSV颜色空间，其中H代表色调，S代表饱和度，V代表亮度，扫描整幅图像，根据H分量和S分量利用公式(1)对图像进行二值化，提取颜色特征图C(i，j)：
其中C(i，j)为得到的颜色特征图，其保留了原始图像中包含车牌在内的蓝色的部分；
(2)提取纹理特征图：
将第一步读入的原始的彩色道路交通图像，由RGB颜色空间转换到灰度空间，采用的方法如公式(2)，其中F(i，j)为得到的灰度图像，采用公式(3)、(4)计算纹理特征：
F(i，j)＝0.299×R+0.587×G+0.114×B   (2)，
G(i，j)＝|F(i，j)-F(i-1，j)|+|F(i，j)-F(i+1，j)|   (3)，
其中G(i，j)代表输出的纹理特征的灰度图，Avg_value为纹理特征灰度图G(i，j)的平均灰度，利用公式(4)得到二值化的阈值，T(i，j)为获得的纹理特征图；
(3)车辆区域分割：
将上述步骤“(1)提取颜色特征图”得到的颜色特征图C(i，j)和步骤(2)得到的纹理特征图T(i，j)进行“与”操作，得到颜色纹理特征图，利用形态学“闭运算”填充该颜色纹理特征图的细小孔洞，进而对该颜色纹理特征图进行投影操作，首先进行垂直投影，得到1～3个垂直投影区域，在投影的区域内进行水平投影，记录投影边缘，最终得到1～3个车辆区域，将所得到车辆区域从原始的彩色道路交通图像中分割出来，得到彩色车辆区域图；
第三步，提取车辆区域图的显著因子图：
对第一步预处理后的Adaboost分类器的训练数据集提取车牌正样本彩色图和场景负
样本彩色图的显著因子图，并提取第二步的步骤(3)得到的彩色车辆区域图的显著因子图，具体操作如下：
将第一步中采集的车牌正样本彩色图和场景负样本彩色图以及第二步的步骤(3)得到的彩色车辆区域图从RGB颜色空间转换到灰度空间，扫描整幅灰度图片，将当前像素作为中心像素，显著因子定义为N×N邻域的各像素值与中心像素值F(i，j)的差的总和与中心像素值的比值，利用反正切函数将比值归一化到(-π/2，π/2)，显著因子的计算过程如公式(5)所示：
式中，arctan为反正切函数，Sal(F(i，j))即为当前像素F(i，j)的显著因子，其取值范围为(-π/2，π/2)，对待处理的彩色车辆区域图中每个像素都利用上述显著因子提取方法进行显著因子的提取，获得该彩色车辆区域图的显著因子图；上述N×N中的N＝3，所述公式(5)式中，当前像素F(i，j)的显著因子Sal(F(i，j))划分为七个取值范围：(-π/2，-1.25]，(-
1.25，-0.75]，(-0.75，-0.25]，(-0.25，0.25]，(0.25，0.75]，(0.75，1.25]，(1.25，π/2)，每个取值范围映射到灰度图上一个灰度值，将上述七个显著因子取值范围对应的灰度值设定为：0，0，0，120，160，200，255；
第四步，利用基于扩展的Haar-like特征的Adaboost分类器提取候选车牌：
(1)提取扩展的Haar-like特征：
对第三步中得到的显著因子图提取扩展的Haar-like特征，就蓝色车牌而言，车牌字符个数固定，每个字符的位置也是固定的，不同车牌的相同字符区域的字符不尽相同，而且车牌具有明显的边框，第二个字符与第三个字符间隔比其余字符间隔大，根据以上的特点，设计如下的(a)～(g)7种扩展的Haar-like特征，并且设计的扩展的Haar-like特征模板内有白色矩形填充区域和黑白线条色矩形填充区域两种矩形；
扩展的Haar-like特征(a)：对于整个车牌区域，扩展的Haar-like特征为水平方向的线特征，扩展的Haar-like特征模板的宽度和高度固定，扩展的Haar-like特征模板的高度为车牌的高度，扩展的Haar-like特征模板的宽度为车牌的宽度，共包含三个矩形，白色矩形高度∶黑白线条色矩形高度∶白色矩形高度＝1∶2∶1，用以描述车牌的整体的扩展的Haar-like特征，即字符区域与边缘区域的变化的扩展的Haar-like特征；
扩展的Haar-like特征(b)：在车牌顶部1/4和底部1/4范围内包含如下的水平边缘信
息：第一个扩展的Haar-like特征为水平方向的边缘特征，扩展的Haar-like特征模板共包含两个矩形，白色矩形高度∶黑白线条色矩形高度＝1∶1；第二个扩展的Haar-like特征为水平方向的线特征，扩展的Haar-like特征模板共包含三个矩形，白色矩形高度∶黑白线条色矩形高度∶白色矩形高度＝1∶1∶1；在车牌顶部1/4和底部1/4范围内，第一个扩展的Haar-like特征模板中单个矩形的宽度变化范围为[1，64]，高度变化范围为[1，2]，第二个扩展的Haar-like特征模板中单个矩形的宽度变化范围为[1，64]，高度为1，在该范围内不断移动每一个扩展的Haar-like特征模板，每一种形态称为一个扩展的Haar-like特征，这两类扩展的Haar-like特征用以描述车牌的水平边框；
扩展的Haar-like特征(c)：在车牌左侧1/12和右侧1/12范围内包含如下的垂直边缘：
第一个扩展的Haar-like特征为垂直方向的边缘特征，扩展的Haar-like特征模板共包含两个矩形，白色矩形宽度∶黑白线条色矩形宽度＝1∶1；第二个扩展的Haar-like特征为垂直方向的线特征，扩展的Haar-like特征模板共包含三个矩形，白色矩形宽度∶黑白线条色矩形宽度∶白色矩形宽度＝1∶1∶1；在车牌左侧1/12和右侧1/12范围内，第一个扩展的Haar-like特征模板中单个矩形的宽度的变化范围为[1，2]，高度变化范围为[1，20]，第二个扩展的Haar-like特征模板中单个矩形的宽度为1，高度变化范围为[1，20]，在该范围内不断移动每一个扩展的Haar-like特征模板，每一种形态称为一个扩展的Haar-like特征，这两类扩展的Haar-like特征用以描述车牌的垂直边框；
扩展的Haar-like特征(d)：车牌第二个字符与第三个字符距离比其他任意两个相邻字符距离远，中间包含一个白色圆形的分割点，利用这个特点，设计了两个扩展的Haar-like特征，两个特征为垂直方向的边缘特征，第一个扩展的Haar-like特征模板的宽度和高度固定，包含两个矩形，白色矩形宽度∶黑白线条色矩形宽度＝1∶1，左侧矩形包含前两个字符，右侧矩形包含分隔点、第三个字符与部分字符后的间隙，高度为字符区域的高度，第二个扩展的Haar-like特征模板的宽度和高度固定，包含两个矩形，白色矩形宽度∶黑白线条色矩形宽度＝1∶1，左侧矩形包含分隔点、第三个字符与部分字符后的间隙，右侧矩形包含第四个字符与第五个字符，高度为字符区域的高度，这两类扩展的Haar-like特征用以描述车牌字符区域的第二个字符与第三个字符的较大间隔；
扩展的Haar-like特征(e)：车牌的7个字符宽度相等，除了第二个字符与第三个字符间距较大以外，其余相邻字符间距相等，利用这一特点，设计垂直方向的边缘特征，扩展的Haar-like特征模板的宽度和高度固定，包含两个矩形，白色矩形宽度∶黑白线条色矩形宽度＝1∶1，单个矩形宽度为单个字符宽度与1/2字符间距之和，高度为字符区域的高度，在整个字符区域，从左到右扫描得到所有的扩展的Haar-like特征，该扩展的Haar-like特征描述的是字符区域的字符与字符之间的变化扩展的Haar-like特征；
扩展的Haar-like特征(f)：对于整个字符区域，由于字符上下两部分结构基本类似，利用这一特点，设计水平方向的边缘特征，扩展的Haar-like特征模板的宽度变化范围为[8，
54]，高度固定，包含两个矩形，白色矩形高度∶黑白线条色矩形高度＝1∶1，单个矩形高度为
1/2的字符高度，初始宽度为单个字符宽度，在整个字符区域进行扫描，扫描结束后将矩形宽度加1，高度不变，继续扫描，直至矩形宽度增加至等于字符区域的宽度时停止，记录所有的扩展的Haar-like特征，该扩展的Haar-like特征利用的是字符的相似的上下结构；
扩展的Haar-like特征(g)：对于整个字符区域，由于每个字符宽度相等，字符之间有间隙，设计垂直方向的线特征，扩展的Haar-like特征模板的宽度和高度固定，包含三个矩形，白色矩形宽度∶黑白线条色矩形宽度∶白色矩形宽度＝1∶3∶1，左侧矩形为字符的左侧间距，中间矩形为单个字符，右侧矩形为字符的右侧间距，高度为字符区域的高度，在整个字符区域进行横向扫描，记录所有扩展的Haar-like特征，该扩展的Haar-like特征描述的是字符与字符间隙的变化扩展的Haar-like特征；
以上7种扩展的Haar-like特征主要分为整体扩展的Haar-like特征和局部扩展的
Haar-like特征两大类，扩展的Haar-like特征(a)为整体扩展的Haar-like特征，扩展的Haar-like特征(b)到(g)为局部扩展的Haar-like特征，其中，扩展的Haar-like特征(b)和(c)为边缘区域扩展的Haar-like特征，扩展的Haar-like特征(d)到(g)为字符区域扩展的Haar-like特征；
实际训练中采用64×20像素大小的车牌，车牌区域为整幅车牌，边缘区域包括四个区域，即车牌顶部1/4范围内、底部1/4范围内、左侧1/12范围内和右侧1/12范围内，字符区域为车牌的顶部1/4到底部1/4之间以及左侧1/12到右侧1/12之间的范围，扩展的Haar-like特征模板内有白色矩形和黑白线条色矩形两种，在显著因子图上，每一种扩展的Haar-like特征都是黑白线条矩形填充区域的像素值之和与白色矩形填充区域的像素值之和的差值，而计算出来的这个差值就是提取扩展的Haar-like特征的特征值；
(2)训练Adaboost分类器：
利用OpenCV2.0进行分类器的训练，将OpenCV 2.0中的haartraining特征提取部分替换成上述步骤“(1)提取扩展的Haar-like特征”中提取到的扩展的Haar-like特征，生成可执行文件opencv_haartraining.exe，参数nstages设置为12，即预设的强分类器级数为13，设置参数nonsym，代表提取的扩展的Haar-like特征为非垂直对称的，参数minhitrate设置为0.999，即每级强分类器的最小命中率，参数maxfalsealarm设置为0.5，即每级强分类器的最大误检率，将第三步提取到的车牌正样本和场景负样本的显著因子图输入上述
Adaboost分类器进行训练，对于分类器的训练，首先训练弱分类器，然后把这些弱分类器级联起来，形成第0层强分类器，然后训练第1层强分类器，直至完成了第12层强分类器的训练，将第0层至第12层的强分类器级联起来构成一个更强的最终分类器，即最终的强分类器；
(3)提取候选车牌：
利用上述步骤“(2)训练Adaboost分类器”得到的基于扩展的Haar-like特征的
Adaboost分类器对第三步中提取的车辆区域的显著因子图用多尺度的矩形滑动窗口进行全局扫描，滑动窗口的初始大小为64×20像素，多尺度比例系数设置为1.1，即滑动窗口依次扩大10％，当滑动窗口大于被扫描的图像时停止扫描，当分析的滑动窗口全部通过Adaboost分类器每一层时返回正值，即得到了一个候选车牌；移动矩形滑动窗口，直至完成整幅图片的扫描，提取到所有的候选车牌；
第五步，从候选车牌中确定真车牌位置：
(1)利用连通域个数进行候选车牌筛选：
对上述第四步中提取的每一个候选车牌，利用最大类间方差OTSU法确定二值化阈值，进行二值化操作得到二值化的候选车牌，扫描所有二值化的候选车牌，对连通域搜索并标记，根据连通域的个数进行筛选，保留4≤连通域个数≤10范围内的候选车牌，根据保留的候选车牌的连通域个数设置参数A；若连通域个数为7和8，则该候选车牌最可能为真车牌，参数A设为0.5；若连通域个数为6，该候选车牌为真车牌的概率较低，此时参数A设为0.6；其余情况为真车牌的概率最低，此时参数A设为0.7；
(2)根据连通域的平均宽度以及高度方差进行候选车牌筛选：
根据上述步骤“(1)利用连通域个数进行候选车牌筛选”中的连通域计算平均宽度Avg_width以及高度方差Variance_height，并根据这两个参数进行候选车牌筛选，若候选车牌连通域的Avg_width＞8像素并且Variance_height＜40像素则保留该候选车牌，否则淘汰；
(3)对二值化的候选车牌进行精细搜索：
对经过上述步骤“(1)利用连通域个数进行候选车牌筛选”和上述步骤“(2)根据连通域的平均宽度以及高度方差进行候选车牌筛选”筛选过的二值化候选车牌进行精细搜索，从候选车牌的上下左右四个方向进行扫描确定边缘，扫描到的第一个灰度值为255的像素即为边缘，如此方法确定四个边缘，得到精确定位的二值化候选车牌；
(4)计算边缘密度方差：
对上述步骤“(3)对二值化的候选车牌进行精细搜索”得到的精确定位的二值化候选车牌求垂直边缘，并将边缘图像平均分成2行4列的8个图像块，若第i块的非零边缘像素的个数为ni，块内像素总数为Ni，则第i块的边缘密度定义为ni/Ni，统计8个图像块的边缘密度，然后计算这8个图像块的边缘密度值的方差，该边缘密度方差的值即为参数B的值；
(5)根据参数A和参数B得到真车牌：
当只有一个候选车牌时，则该候选车牌为真车牌，对该车牌利用矩形框进行标记，记录矩形框的位置、大小以及对应的车辆；当候选车牌多于一个，对于每个候选车牌，上述步骤“(1)利用连通域个数进行候选车牌筛选”的参数A越小代表此候选车牌为真车牌的概率越大，上述步骤“(4)计算边缘密度方差”的参数B越小，即边缘密度方差越小，说明该候选车牌边缘分布越均匀，为真车牌的概率也越大，所以求参数A和参数B的和，并对所有候选车牌的参数之和进行排序，参数A和参数B之和最小的候选车牌即为真车牌并对其利用矩形框进行标记，记录矩形框的位置、大小以及对应的车辆；
第六步，将标记的车牌从对应的车辆区域原图中分割出来：
当上述第二步中最终只得到一个车辆区域时，对第五步中标记的车牌，根据标记的矩形框的位置以及大小将标记的车牌从对应的车辆区域原图中分割出来；当第二步中最终得到了两个或三个车辆区域时，则重复第三步到第五步，直至将所有车辆区域的车牌均利用矩形框进行标记，然后将标记的所有车牌从对应的车辆区域原图中分割出来，得到一个车牌序列；
第七步，利用结构特征进行字符分割：
(1)连通域标记及粗筛选：
对第六步分割出的标记的车牌利用最大类间方差OTSU法进行二值化操作，对二值化的车牌图像进行连通域标记，然后再对二值化的车牌图像进行扫描，记录每个连通域的上下左右边缘位置、宽度、高度、中心和标记值，对所有上述连通域进行粗筛选，由于字符高度是相同的，宽度除了字符“1”之外也是相同的，上述记录中，宽度大于车牌区域1/7的连通域，即为边框的区域，记录中小于平均高度1/3的连通域，即为分隔圆点、噪点、铆钉区域，将这些连通域中灰度值为255的像素值置为0，在二值化的车牌图像中即删除了这些可能为非字符的连通域；
(2)连通域精细筛选：
保留高度最相似的不多于7个连通域，对获得的连通域根据左侧边缘位置从左到右排序，利用连通域的高度计算每个连通域与其他连通域的高度差，得到一个距离矩阵，对距离矩阵内的距离由小到大进行排序，获得距离最近的不多于6个的距离平均值并进行记录，依次对每个连通域进行上述处理，获得所有连通域与距离最近的不多于6个的距离平均值，然后将最小平均距离对应的连通域视为基础连通域，将与其距离最相近的不多于6个的连通域视为衍生连通域，将基础连通域与衍生连通域作为高度最相似的连通域，即得到了高度最相似的最多7个连通域，对经过筛选后剩余的连通域，分别计算一个连通域与另一个连通域的上、下边距，取上、下边距的绝对值较大者记作该两个连通域的高度差，求该连通域与其他连通域的高度差的和，去除高度差的和大于30像素的连通域，则去除了位置差异较大的连通域；
(3)补充缺失字符：
对保留下的连通域进行进一步判断，判断是否存在缺失字符，若字符个数小于7，则存在缺失字符，根据字符的位置与结构特征对缺失字符进行补充；
(4)字符分割：
当上述第六步为一个车牌时，则根据连通域的位置以及大小对得到的7个字符进行分割，得到7张二值化的字符图片，完成一个车牌的字符分割；当第六步得到了一个车牌序列，则对每个车牌重复上述步骤“(1)连通域标记及粗筛选”到上述步骤“(3)补充缺失字符”，完成多车牌的字符分割；
第八步，基于改进的模板匹配方法的字符识别：
(1)建立字符模板库：
创建标准字符模板库；对标准字符模板库中的非汉字字符进行膨胀操作，得到模糊字符模板库；
(2)模糊字符处理以及模板匹配：
将上述第七步的步骤“(4)字符分割”字符分割中分割得到的7张二值化的字符图片的尺寸归一化到24×48像素，对车牌的首字符，即汉字，求Canny边缘，根据边缘图像中汉字中心区域非零像素的数量来判断车牌的模糊程度：
若边缘像素个数≥10，认为车牌字符模糊度低，将所有字符与标准模板进行匹配；
若边缘像素个数＜10，认为车牌字符模糊度高，将非汉字字符与模糊的模板进行模板匹配，汉字字符与标准模板进行匹配；
根据上述原则对每个字符都进行字符模板匹配，直至完成7个字符的匹配；判断匹配结果中是否包含相似字符“0”和“D”，“8”和“B”，“2”和“Z”，若包含则继续进行下面的步骤“(3)相似字符处理”，若不包含则记录识别结果以及对应的车牌；
(3)相似字符处理：
对于相似字符，提取图像左侧的外轮廓，将外轮廓像素点作为特征点集，利用
Hausdorff距离分别计算待识别的相似字符与两个相似的字符模板的特征点集之间的距离，距离最近的那个模板即为二次识别结果；重复上述过程，直至所有的相似字符完成二次识别，记录识别结果以及对应的车牌；
(4)输出识别结果：
当只有一个候选车牌时，则输出识别结果；当候选车牌多于一个时，则重复上述步骤“(2)模糊字符处理以及模板匹配”和上述步骤“(3)相似字符处理”，并输出多车牌的识别结果；
其中，所述的宽度和高度的单位为像素。
2.根据权利要求1所述一种车牌识别方法，其特征在于：所述扩展的Haar-like特征(f)中的单个字符宽度为8，字符区域的宽度为54。