1.一種目標(biāo)檢測方法，其特征在于，包括：
獲取待處理圖像，其中，所述待處理圖像中包含車牌及駕駛員；
計算所述待處理圖像的聚合通道特征，所述聚合通道特征中包含LUV色彩空間的三個通道、梯度幅值、6個方向梯度直方圖特征；
根據(jù)所述聚合通道特征進(jìn)行駕駛員檢測和車牌檢測，得到多個候選框，每一候選框中包含一個駕駛員和車牌；
對所述多個候選框進(jìn)行合理性判別，得到所述多個得分；
選取所述多個得分中的最高得分；
在所述最高得分大于預(yù)設(shè)閾值時，將所述最高得分對應(yīng)的候選框所在區(qū)域確定為目標(biāo)區(qū)域。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述計算所述待處理圖像的聚合通道特征，包括：
計算所述待處理圖像的梯度圖；
計算所述待處理圖像的LUV色彩空間的三個通道；
根據(jù)所述梯度圖確定6個方向梯度直方圖特征。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述計算所述待處理圖像的梯度圖，包括：
采用如下公式對所述待處理圖像進(jìn)行采樣，得到采樣圖像：
I′(x，y)＝I(x/τ，y/τ)
其中，I(x，y)為所述待處理圖像，x，y表示所述待處理圖像的橫坐標(biāo)和縱坐標(biāo)，τ為采樣因子，I′(x，y)為采樣圖像；
采用如下公式確定所述采樣圖像對應(yīng)的梯度圖：
其中，G[I′(x,y)]為梯度圖。
4.根據(jù)權(quán)利要求1至3任一項所述的方法，其特征在于，所述對所述多個候選框進(jìn)行合理性判別，包括：
采用目標(biāo)分類器對所述多個候選框進(jìn)行合理性判別。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，在所述獲取待處理圖像之前，所述方法還包括：
獲取正樣本集和負(fù)樣本集，其中，所述正樣本符合正常情況下的駕駛員與車牌之間的位置關(guān)系的圖像，所述負(fù)樣本為不符合正常情況下的駕駛員與車牌之間的位置關(guān)系的圖像；
對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。
6.一種終端，其特征在于，包括：
獲取單元，用于獲取待處理圖像，其中，所述待處理圖像中包含車牌及駕駛員；
計算單元，用于計算所述待處理圖像的聚合通道特征，所述聚合通道特征中包含LUV色彩空間的三個通道、梯度幅值、6個方向梯度直方圖特征；
檢測單元，用于根據(jù)所述聚合通道特征進(jìn)行駕駛員檢測和車牌檢測，得到多個候選框，每一候選框中包含一個駕駛員和車牌；
判別單元，用于對所述多個候選框進(jìn)行合理性判別，得到所述多個得分；
選取單元，用于選取所述多個得分中的最高得分；
確定單元，用于在所述最高得分大于預(yù)設(shè)閾值時，將所述最高得分對應(yīng)的候選框所在區(qū)域確定為目標(biāo)區(qū)域。
7.根據(jù)權(quán)利要求6所述的終端，其特征在于，所述計算單元包括：
第一計算模塊，用于計算所述待處理圖像的梯度圖；
第二計算模塊，用于計算所述待處理圖像的LUV色彩空間的三個通道；
第一確定模塊，用于根據(jù)所述梯度圖確定6個方向梯度直方圖特征。
8.根據(jù)權(quán)利要求7所述的終端，其特征在于，所述第一計算模塊包括：
采樣模塊，用于采用如下公式對所述待處理圖像進(jìn)行采樣，得到采樣圖像：
I′(x，y)＝I(x/τ，y/τ)
其中，I(x，y)為所述待處理圖像，x，y表示所述待處理圖像的橫坐標(biāo)和縱坐標(biāo)，τ為采樣因子，I′(x，y)為采樣圖像；
第二確定模塊，用于采用如下公式確定所述采樣圖像對應(yīng)的梯度圖：
其中，G[I′(x,y)]為梯度圖。
9.根據(jù)權(quán)利要求6至8任一項所述的終端，其特征在于，所述判別單元具體用于：
采用目標(biāo)分類器對所述多個候選框進(jìn)行合理性判別。
10.根據(jù)權(quán)利要求9所述的終端，其特征在于，所述獲取單元，還具體用于：
在所述獲取待處理圖像之前，獲取正樣本集和負(fù)樣本集，其中，所述正樣本符合正常情況下的駕駛員與車牌之間的位置關(guān)系的圖像，所述負(fù)樣本為不符合正常情況下的駕駛員與車牌之間的位置關(guān)系的圖像；
所述終端還包括：
訓(xùn)練單元，用于對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。