1.一种基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，包括以下步骤：
步骤一，获取道路交通视频中的大量包含有车辆的样本图像，根据样本图像中的车牌区域和车尾灯区域，得到车辆的车尾灯颜色模型和车牌颜色模型；根据车牌区域和尾灯对区域之间的位置关系，得到位置关系的概率模型，包括尾灯对概率模型、左尾灯和车牌概率模型以及右尾灯和车牌概率模型；
步骤二，针对道路交通视频中的一帧视频图像，采用车牌颜色模型进行转换，得到该帧视频图像对应的车牌灰度图像；并采用车尾灯颜色模型进行转换，得到该帧视频图像对应的车尾灯灰度图像；
步骤三，针对车牌灰度图像，计算每个像素点处的灰度梯度值，所有像素点处的灰度梯度值形成车牌梯度图像；
步骤四，选取一个与车牌大小相同的平滑窗，针对车牌梯度图像中的每一个像素点，计算平滑窗内所有像素点的灰度梯度值的平均值，将该平均值作为该像素点的像素值，所有像素点的像素值形成车牌平均梯度图像；
步骤五，针对车牌平均梯度图像，划分多个网格块，对每个网格块进行判断，并计算得到多个车牌区域；
步骤六，针对车尾灯灰度图像，采用阈值二值化分割和8点邻域连通法标记出多个连通区域；
步骤七，统计每个连通区域内灰度值是1的像素点的个数，若大于阈值，则该连通区域是车尾灯区域，否则该连通区域不是车尾灯区域，得到多个车尾灯区域，每个车尾灯区域包括左尾灯区域和右尾灯区域；
步骤八，在多个车牌区域和多个车尾灯区域中任意选取一个车牌区域和一个车尾灯区域，计算车牌区域的质心和左尾灯区域的质心之间的间距，以及两个质心的连线与水平方向的夹角；计算车牌区域的质心和右尾灯区域的质心之间的间距，以及两个质心的连线与水平方向的夹角；计算左尾灯区域的质心和右尾灯区域的质心之间的距离，以及两个尾灯区域的质心离地面的高度；
步骤九，将车牌区域的质心和左尾灯区域的质心之间的间距，以及两个质心的连线与水平方向的夹角代入左尾灯和车牌概率模型，将车牌区域的质心和右尾灯区域的质心之间的间距，以及两个质心的连线与水平方向的夹角代入右尾灯和车牌概率模型，将左尾灯区域的质心和右尾灯区域的质心之间的距离，以及两个尾灯区域的质心离地面的高度代入尾灯对概率模型，并分别计算3个概率模型对应的概率似然度，如果至少有一个概率模型的概率似然度大于预设阈值，则认为检测到的车牌和尾灯属于同一车辆；
步骤十，重复步骤八和步骤九，完成视频图像中所有车辆的检测。
2.如权利要求1所述的基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，所述步骤二中的针对道路交通视频中的一帧视频图像，采用车牌颜色模型进行转换，得到该帧视频图像对应的车牌灰度图像，具体包括以下步骤：
将视频图像中的每一个像素点(u,v)所对应的R，G，B颜色分量Ru,v,Gu,v,Bu,v按照公式Fu,v＝Bu,v-min{Ru,v,Gu,v}进行处理，并将Fu,v值作为像素点(u,v)的灰度值，所有像素点的灰度值形成该帧视频图像所对应的车牌灰度图像。
3.如权利要求1所述的基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，所述步骤二中的针对所述视频图像，采用车尾灯颜色模型进行转换，得到该帧视频图像对应的车尾灯灰度图像，具体包括以下步骤：
将视频图像的每一个像素点(u,v)所对应的R，G，B颜色分量Ru,v,Gu,v,Bu,v按照公式Fu,v＝Bu,v-max{Ru,v,Gu,v}进行处理，并将Fu,v值作为像素点(u,v)的灰度值，所有像素点的灰度值形成视频图像所对应的车尾灯灰度图像。
4.如权利要求1所述的基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，所述步骤三中的计算每个像素点处的灰度梯度值Gradu,v，采用的公式如下：
Gradu,v＝max{F*u,v}-min{F*u,v},(u,v)∈M
其中，max{F*u,v}表示像素点(u,v)的邻域像素点中灰度值的最大值,min{F*u,v}表示像素点(u,v)的邻域像素点中灰度值的最小值。
5.如权利要求1所述的基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，所述步骤五中的对每个网格块进行判断，并计算得到多个车牌区域，具体包括以下步骤：
在每一网格内找出像素值最大的像素点作为局部极值点，将该像素值与设定的阈值a进行比较，若它比a大，则该局部极值点对应的平滑区域是车牌区域，平滑区域指的是以该局部极值点为左上角，大小为车牌大小的矩形；否则，该区域不是车牌区域，得到多个车牌区域。
6.如权利要求1所述的基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，所述步骤六中的阈值二值化分割，具体包括以下步骤：
将车尾灯灰度图像中的每一像素点的灰度值与设定阈值b比较，若比b大，则将该像素点的灰度值设为1，若比b小，则将该像素点的像素值设为0，得到车尾灯的二值化分割图像。
7.如权利要求6所述的基于多部件空间位置关系GMM建模的车辆检测方法，其特征在于，所述步骤六中的8点邻域连通法，具体包括以下步骤：
针对车尾灯二值化分割图像中的每一个像素点f(x,y)与邻域内距离相隔(p,q)的8个像素点作连通标记，如果像素点f(x,y)的灰度值与8邻域内的某个像素点f(x+p,y+q)的灰度值相同，则认为像素点f(x,y)与像素点f(x+p,y+q)连通，对像素点f(x,y)分配与像素点f(x+p,y+q)相同的标号进行标记，像素点f(x,y)与像素点f(x+p,y+q)合并形成一个连通区域；如果该像素点f(x,y)的灰度值与8邻域内所有的像素点的灰度值均不相同，则认为此像素点属于新的区域，为该像素点f(x,y)分配新的标号进行标记。