1.一种行车轨迹预测方法，其特征在于，所述方法包括：

获取驾驶员图像及车辆行驶数据，所述车辆行驶数据至少包括车辆当前状态数据；

通过驾驶员状态识别模型对所述驾驶员图像进行识别，得到驾驶员的当前驾车状态数据；

通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理，得到驾驶员当前状态行车策略数据；

通过行车轨迹预测模型对所述当前车辆状态数据与所述驾驶员当前状态行车策略数据进行处理，以得到与驾驶员当前状态相适应的未来行车轨迹信息。

2.根据权利要求1所述的方法，其特征在于，所述通过驾驶员状态识别模型对所述驾驶员图像进行识别，得到驾驶员的当前驾车状态数据之前，包括：获取驾驶员处于专注驾驶状态和视觉分心驾驶状态的历史图像，构成第一数据集；

采用迁移学习算法，通过所述第一数据集对已经经过预训练的卷积神经网络模型进行训练，得到用于识别驾驶员驾驶状态的所述驾驶人状态识别模型。

3.根据权利要求1所述的方法，其特征在于，所述通过行车策略预测模型对所述驾驶员的当前驾车状态数据进行处理，得到驾驶员当前状态行车策略数据之前，包括：获取驾驶员驾驶车辆的历史行车数据；所述历史行车数据至少包含所述驾驶员的历史驾车状态数据以及与所述历史驾车状态相对应的车辆历史行车轨迹数据；

采用马尔可夫决策过程模拟驾驶员驾车过程；其中，马尔可夫决策过程中的五个元素分别为：车辆所处状态、驾驶员驾车动作、驾驶员驾车动作、车辆状态改变方程、以及折扣因子；其中，所述驾驶员驾车动作是指车辆在所述车辆所处状态时，所述车辆的状态转移到各种下一状态的概率值；

通过所述车辆历史行车轨迹数据确定所述马尔可夫决策过程的五个元素，并将所述车辆状态与所述驾驶员驾车动作一一对应，形成驾驶员的驾车策略分布模型；

利用最大熵逆强化学习算法将所述驾驶员的历史驾车状态与所述驾车策略分布模型中的车辆状态和驾驶员驾车动作一一对应，以形成所述行车策略预测模型。

4.根据权利要求1所述的方法，其特征在于，所述通过行车轨迹预测模型对所述当前车辆状态数据与所述当前状态行车策略数据进行处理，以得到与当前状态相适应的未来行车轨迹信息，包括：根据所述行车策略和所述车辆行驶数据，在时间T内通过迭代函数对未来车辆的行车轨迹进行迭代，预测车辆的行车轨迹，其中，所述迭代函数的公式如下：ai＝random(p＝π*(ai|si，xi))

si+1＝T(si，ai)

其中，xi为i时刻驾驶员的驾车状态，si为i时刻车辆的行驶状态，ai为驾驶员在i时刻采取的车辆控制动作。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：在时间T内检测到驾驶员的驾车状态发生变化时，停止当前迭代过程，并根据所述驾驶员的驾车状态发生变化后的驾车状态重新预测车辆的行驶轨迹。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：结合车辆的当前行驶路况，根据所述车辆的未来行驶轨迹信息对车辆的安全系数进行预估；

根据所述安全系数对驾驶员进行安全提醒。

7.根据权利要求根据权利要求6所述的方法，其特征在于，所述方法还包括：结合车辆的当前行驶路况，根据所述车辆的未来行驶轨迹信息对车辆的安全系数进行预估；

根据所述安全系数直接控制车辆的行车状态。

8.一种行车轨迹预测系统，其特征在于，所述系统包括：

驾驶员图像采集装置，所述驾驶员图像采集装置用于采集车辆行驶时的驾驶员图像，并将所述驾驶员图像发送至控制器；

车辆行驶数据采集装置，所述车辆行驶数据采集装置用于采集车辆的行驶数据，并将所述车辆的行驶数据发送至所述控制器；

所述控制器，所述控制器用于接收所述驾驶员图像和所述车辆的行驶数据，并对所述驾驶员图像和所述车辆行驶数据进行分析，预测车辆的行驶轨迹。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述一种行车轨迹预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述一种行车轨迹预测方法的步骤。