1.一种基于Haar特征和改进HOG特征的车辆检测方法，其特征在于，包括以下步骤：S1、利用Haar特征对前方车辆目标进行初始分割，包括以下子步骤：S1.1、采集车辆前方图像的正负样本，并进行预处理；

S1.2、构造积分图像，并进行多尺度缩放；

S1.3、提取缩放后的积分图像的Haar特征；

S1.4、采用Adaboost算法训练弱分类器；

S1.5、依据权重把弱分类器组合成强分类器；

S1.6、实时采集车辆前方的图像，输入到强分类器中，输出前视遮罩图；

S2、利用HOG特征对输出的前视遮罩图进行分析，精确提取前方车辆目标，包括以下子步骤；

S2.1、初始化最小检测窗口、细胞单元和块的大小、滑动步长和缩放因子；

S2.2、对前视遮罩图进行颜色空间变换，将RGB图像转化到HSL空间，提取H、S、L三通道图像；

S2.3、分别提取H、S、L三个通道图像的HOG特征；

S2.3包括以下子步骤：

S2.3.1、首先将H通道、S通道或L通道图像分成若干个细胞单元，每2×2个细胞单元组合成一个块单元；

S2.3.2、计算每个细胞单元的每个像素点的水平梯度dx和垂直梯度dy，梯度的大小和方向由公式(2)和(3)求得，并得到细胞单元的梯度方向直方图；

θ(x,y)＝arctan((L(x,y+1)‑L(x,y‑1))/(L(x+1,y)‑L(x‑1,y)))；    (3)其中，L(x,y)为灰度图像在第x行第y个像素上的像素值，A(x,y)和θ(x,y)分别为细胞单元在(x,y)点的梯度值和梯度方向；

S2.3.3、对梯度方向直方图进行多尺度缩放，得到多张不同尺度的梯度方向直方图，每张梯度方向直方图生成9幅积分图像；

S2.3.4、滑动检测窗口对积分图像进行滑动检测；

在检测窗口中滑动块单元，以每个像素的梯度幅值为权值，通过检索积分图像对细胞单元的梯度方向直方图进行计数，形成一组9维HOGC特征向量；

因此，由4个细胞单元构成的块单元能够形成一组36维HOGB特征向量；

S2.3.5、对所有块单元对应的36维HOGB特征向量归一化：其中V是36维HOGB特征向量，V*是归一化后的特征向量，ε是常数；

将检测窗口内所有块单元归一化后的特征向量级联组合，形成HOG特征向量；

S2.3.6、对三个通道的前视图遮罩图的HOG特征向量采用加权平均的方法进行融合；

采用主成分分析法对融合后的HOG特征向量进行降维；

S2.4、以车辆目标的HOG特征作为正向样本，以非车辆区域的HOG特征作为负向样本，训练SVM分类器，得到一个训练好的SVM分类器，用于精确识别车辆目标，输出检测到的车辆目标的最终图像。

2.根据权利要求1所述的一种基于Haar特征和改进HOG特征的车辆检测方法，其特征在于，S1.1中，采集车辆前方视频，从视频序列中选择多幅图像，将图像划分为正负样本，正样本为包含车辆的图像，负样本为道路上的非车辆图像；

将图像转换为灰度图像，采用Gamma滤波对灰度图像进行处理，减少图像中阴影和光照的变化。

3.根据权利要求2所述的一种基于Haar特征和改进HOG特征的车辆检测方法，其特征在于，S1.2中，根据公式(1)对预处理后的图像中的每个像素点进行扫描，构造积分图像；

其中，LG(x,y)为位置(x,y)处的积分图像值，L(x',y')为位置(x',y')处的像素值；

对积分图像进行多尺度缩放得到多张不同尺度的积分图像。

4.根据权利要求3所述的一种基于Haar特征和改进HOG特征的车辆检测方法，其特征在于，S1.3中，分别选取不同尺度的4个边缘特征和8个线性特征对所有正样本和负样本的积分图像进行密集扫描，得到不同尺度和位置的矩形特征向量。

5.根据权利要求4所述的一种基于Haar特征和改进HOG特征的车辆检测方法，其特征在于，S1.4包括以下子步骤：S1.4.1、给定样本集，样本设为(x1，y1)，(x2，y2)…(xn，yn)；

S1.4.2、对权重进行初始化和归一化：

S1.4.3、基于每个特征训练一个弱分类器h(x,f,p,θ)：其中，x代表一个检测子窗口，f为特征，p指示不等号的方向，θ为阈值；

计算所有弱分类器的加权错误率；

S1.4.4、选择最佳的弱分类器hi(x)；

S1.4.5、按照该最佳弱分类器调整权重；

S1.4.6、得到最终的强分类器。

6.根据权利要求5所述的一种基于Haar特征和改进HOG特征的车辆检测方法，其特征在于，S1.5中，训练时，减少被正确分类的样本权重，增加被错误分类的样本权重，整合所有的弱分类器，构成最终的强分类器。