1.一种基于灰度共生矩阵的车位状态检测方法，其特征在于，该方法包括以下步骤：
so1：通过设置于停车位的监控摄像头获取所述停车位的视频流的图像，选取其中若干帧作为样本图像，其他作为待检测图像，获取每一帧所述样本图像的视野中停车位的有效区域，所述有效区域为视野中停车位的边界四边形中最大的内接矩形，所述有效区域具有有车状态和无车状态，所述有车状态为样本a，所述无车状态为样本b；
so2：将所述样本图像通过平均法转换成单通道灰度图像，并对所述灰度图像的灰度做归一化转换，使所述灰度图像的灰度级压缩在16以内，从归一化之后的所述灰度图像中提取出所述有效区域的灰度矩阵，通过有效区域的灰度矩阵计算有效区域的灰度矩阵的灰度共生矩阵，并通过所述灰度共生矩阵计算第一特征量f，所述第一特征量f包括：角二阶矩fasm、熵fent、逆差分矩fidm、对比度fcon，得到每种第一特征量f的有车状态特征集合m和无车状态特征集合n；
so3：根据每种所述特征集合m和所述特征集合n分别计算相应种类第一特征量f的样本中心ofull、oempty，并计算每种第一特征量的有效范围rfull、rempty；
so4：对每种第一特征量f的ofull、oempty，根据有效范围和样本中心之间的比例关系，分别计算出其“有车”状态和“无车”状态的分界点flag；
so5：，依照步骤so2计算所述待检测图像的第二特征量f’，包括角二阶炬f’asm、熵f’ent、逆差分炬f’idm、对比度f’con，对每种第二特征量f’依照步骤so3、步骤so4计算出相应种类第二特征量f’的ofull、oempty以及分界点flag，并进行“有车”状态的概率评估，计算出待检测图像的角二阶矩概率pasm、熵概率pent、逆差分炬概率pidm、对比度概率pcon，四种概率均表示根据第二特征量f’评估的停车位有车的概率；
so6：对每种第二特征量评估的“有车”状态的概率进行权重的分配，并计算出各概率的加权和作为该帧图像下有效区域的“有车”状态的总概率p，当p大于临界值的时候，该车位处于“有车状态”，所述临界值大于等于0.8，如果超过连续三秒读取出的待检测图像中的有效区域均为“有车”状态，则认为该车位被占用。
2.如权利要求1所述的方法，其特征在于，所述步骤so2中包括如下子步骤：
①对所述样本图像的rgb三通道利用平均法转换成单通道灰度图像，并将转换后的单通道灰度图像单独保存到一个二维数组之中，数组的大小与转换后的单通道灰度图像的分辨率保持一致，再对二维数组中的每个元素进行归一化处理，归一化的方式为：
b(i,j)＝int((double)(a(i,j)–minsublevel)/(double)(maxsublevel–minsublevel)*16)；
其中，a(i,j)为二维数组中的元素，b(i,j)为待求的元素，minsublevel为元素的最小值，maxsublevel为元素的最大值；
②找到转换后的单通道灰度图像中有效区域的像素坐标起点以及其宽、高，从步骤①中的二维数组中将对应范围的元素储存到一个新的数组中，新的数组即为有效区域的灰度矩阵；
③从有效区域的灰度矩阵中找到灰度的最大值maxgraylevel和最小值mingraylevel；
④遍历有效区域的灰度矩阵，对每个灰度值src进行归一化处理并重新保存到有效区域的灰度矩阵中，归一化的方式为：
b’(i,j)＝int((double)(a’(i,j)–mingraylevel)/(double)(maxgraylevel–mingraylevel)*16)，
其中，a’(i,j)为有效区域的灰度矩阵中的灰度值，b’(i,j)为待求的灰度值；
⑤创建16*16的新矩阵，各元素初值为0，遍历有效区域的灰度矩阵，选取像素对b(i,j)和b(i,j+1)，其中，像素b(i,j)的值为m，像素b(i,j+1)的值为n，令c(m,n)+1，在有效区域的灰度矩阵完成遍历之后，所得到的新的矩阵为所述灰度共生矩阵；
⑥分别计算角二阶矩fasm、熵fent、逆差分矩fidm、对比度fcon：
fasm＝sum(c(i,j)^2)；fent＝sum(c(i,j)*(-logc(i,j)))；
fidm＝sum(c(i,j)/(1+(i-j)^2))；fcon＝sum((i-j)^2*c(i,j))。
3.如权利要求1所述的方法，其特征在于，所述步骤so3包括如下子步骤：
①从特征集合m中得到样本a的每帧图像有效区域的特征量fn，其中，n＝1,2,3…n，n为样本a的总数；
②去除样本a中一个最大值和一个最小值，并计算新的样本a中有效区域的特征量的平均值作为样本中心ofull：
③计算样本a中各特征量分别与ofull的距离，并找出其中的最大值，该最大值即为有车状态的各特征量的有效范围rfull；
④依照步骤①～③，计算出样本b的样本中心oempty和有效范围rempty。
4.如权利要求1所述的方法，其特征在于，所述步骤so4中，分界点flag由如下公式计算：
5.如权利要求1所述的方法，其特征在于，计算出所述第二特征量f’的有车状态概率为：
其中oempty为“无车”状态的数据中心，flag为状态分界点。
6.如权力要求1所述的方法，其特征在于，所述步骤so6包括如下子步骤：
①计算每种特征量的可靠性评估量q，所述可靠性评估量q为某一特征量对有效区域的“有车”状态和“无车”状态的区分程度，“有车”状态和“无车”状态的区分程度越高，其所述可靠性评估量q值越大，所述可靠性评估量q的计算公式为：
将四种特征量的ofull、oempty、rfull、rempty分别带入上式，得出各特征量的可靠性评估量qasm、qent、qdim、qcon。
②根据可靠性评估量q计算出每种特征量的概率权重w：
③计算出各概率的加权和p：
p＝pasm*wasm+pent*went+pidm*widm+pcon*wcon。