1.一种自适应调节阈值和算法结构的停车事件检测系统，其特征在于，该检测系统包括多特征融合的决策树级联分类器系统，所述多特征融合的决策树级联分类器系统包括：车辆潜在目标分类器，用于识别潜在目标区域；

停车运动分类器，用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值，若超过则判定为非停车事件，否则判定为停车事件。

2.根据权利要求1所述的一种自适应调节阈值和算法结构的停车事件检测系统，其特征在于，所述多特征融合的决策树级联分类器还系统包括路面反光及云影变化分类器，用于判断潜在目标区域背景图片的纹理特征是否与实时图片的纹理特征相近，若相近则判断为非停车事件；若不相近，则判定为停车事件。

3.根据权利要求2所述的一种自适应调节阈值和算法结构的停车事件检测系统，其特征在于，所述多特征融合的决策树级联分类器还系统包括匝道和水渍分类器，用于通过Haar-like特征算法区分车辆和非车辆目标。

4.一种自适应调节阈值和算法结构的停车事件检测系统，其特征在于，该检测系统包括多特征融合的决策树级联分类器系统，所述多特征融合的决策树级联分类器系统包括：车辆潜在目标分类器，用于识别潜在目标区域；

停车运动分类器，用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值，若超过则判定为非停车事件，否则判定为停车事件；

匝道和水渍分类器，用于通过Haar-like特征算法区分车辆和非车辆目标。

5.一种如权利要求3所述的自适应调节阈值和算法结构的停车事件检测系统的检测方法，其特征在于，包括：步骤一：为每个ROI区域建立正负视频样本数据库，其中正样本为停车事件发生时的视频，负样本为误检测视频；正样本总数目为N_positive,负样本总数目为N_negative；

步骤二：检测所有的正样本视频，统计报警个数为n_p，得到正检率Ratio_p＝n_p/N_positive；检测所有的负样本视频，统计报警个数为n_n，得到误检率Ratio_n＝n_n/N_negative；

计算检测精度Accuracy_ratio＝Ratio_p*(1-Ratio_n)；

步骤三：若检测精度未达到最优精度值，则调整总特征向量的阈值配置因素部分，然后返回步骤二；若达到最优精度值则进一步判断此阶段所达到的最优精度是否达到了系统精度指标，如果达到则输出训练结果，反之则转入步骤四；

步骤四：调整总特征向量的算法结构因素部分中的若干阈值参数，若检测精度未达到最优精度值，则重复步骤四，直到检测精度达到最优精度值；进一步判断此阶段所达到的最优精度是否达到了系统精度指标，如果达到则输出训练结果，反之则转入步骤五；

步骤五：调整总特征向量的系统环境因素，若检测精度未达到最优精度值，则重复步骤五，直到检测精度达到最优精度值；进一步判断此阶段所达到的最优精度是否达到了系统精度指标，如果达到则输出训练结果，反之则输出最优配置结果。

6.根据权利要求5所述的一种自适应调节阈值和算法结构的停车事件检测方法，其特征在于，所述总特征向量的阈值配置因素部分包括：潜在目标区域的前景轮廓中白色像表点的总个数的下限阈值int_Area_down；

潜在目标区域的前景轮廓中白色像表点的总个数的上限阈值int_Area_up；

前景目标轮廓的最小可旋转外接矩形宽高比例float_Width_height；

前景目标轮廓的占空比float_Area_Duty_ratio；

前后两帧前景目标轮廓的在像素上的相对位置int_Distance_last_next；

前后两帧前景目标轮廓在面积上的变化float_AreaRatio_last_next。

7.根据权利要求6所述的一种自适应调节阈值和算法结构的停车事件检测方法，其特征在于，所述算法结构因素部分中的若干阈值参数包括：潜在目标区域纹理分布特征值float_Scannys。

8.根据权利要求7所述的一种自适应调节阈值和算法结构的停车事件检测方法，其特征在于，所述的系统环境因素包括：高斯建模学习速率Learings_ratio和叠加周期帧数period_FrameNum。