1.一种基于智能设备的驾驶员危险驾驶行为识别方法，其特征在于：所述方法包括以下步骤：

步骤S1：通过设置在驾驶员手腕上的智能设备采集驾驶员驾驶行为模拟数据，所述数据包括但不限于加速度传感器数据(ax,ay,az)、重力传感器数据(gx,gy,gz)、陀螺仪传感器数据(rx,ry,rz)以及数据采集时刻的时间t，其中下标x、y、z分别表示各传感器的X、Y、Z轴；

步骤S2：根据采集到的各传感器数据提取驾驶员危险驾驶行为特征指标，包括但不限于加速度均值(X/Y/Z轴)、加速度极大值(X/Y/Z轴)、急加速频数(X/Y/Z轴)、较小加速频数(X/Y/Z轴)、重力加速度均值(X/Y/Z轴)、角速度均值(X/Y/Z轴)、角速度极大值(X/Y/Z轴)；

步骤S3：优化步骤S2提取的驾驶员危险驾驶行为特征指标，建立基于支持向量机的驾驶员危险驾驶行为识别模型；

步骤S4：利用步骤S3得到的驾驶员危险驾驶行为识别模型对实时采集到的驾驶行为数据进行识别，当识别出具有危险驾驶行为时对驾驶员进行预警提示；

所述步骤S4中，所述危险驾驶行为包括但不限于急打方向盘、频繁揉眼睛和使用手机三种危险驾驶行为；

所述步骤S2包括以下子步骤：

步骤S21：将步骤1中的数据序列按照设定的时间周期为一个数据单元依次划分成多个数据单元；

步骤S22：分别从步骤S21中的数据单元提取各特征指标值；

步骤S23：将步骤S22得到的特征值数据进行归一化处理，统一各个特征指标的量纲；

所述步骤S3包括以下子步骤：

步骤S31：从步骤S2中归一化后的特征值中随机选择总样本中90％的样本作为训练集，其余的样本则作为测试集；

步骤S32：建立驾驶员危险驾驶行为特征指标的准则函数：max J(p)＝np/Np,s.t.,p∈q；

其中，q表示危险驾驶行为识别指标全集，p是q的非空子集，J(p)是特征指标的优化目标函数，即使得危险驾驶行为的识别准确率最大，Np表示测试的样本数，np表示测试样本中危险驾驶行为识别准确的样本数；

步骤S33：利用SFFS特征选择算法从危险驾驶行为指标全集q中搜索出非空子集p，将非空子集p作为输入，并利用训练集数据基于SVM建立驾驶员危险驾驶行为识别模型，再利用测试集数据测试识别模型的分类性能，得到准则函数J(p)的值，其中使得J(p)的值最大的非空子集p就是准则函数的最优解，可以使得建立的基于SVM的危险驾驶行为识别模型的识别准确率最高；

步骤S34:将步骤S33得到的最优特征指标子集作为识别模型的输入，建立基于SVM的驾驶员危险驾驶行为识别模型；其中SVM的核函数选用径向基核函数，惩罚因子C和核参数σ选用网格搜索法(Grid Search)搜寻最优变量组合(C,σ)，保证危险驾驶行为识别模型的识别准确率和泛化能力最好，即：

‑5 ‑4 15

s.t.,C＝2 ,2 ,…,2

2 ‑10 ‑9 15

σ＝2 ,2 ,…,2 ；

其中，J(p)表示驾驶员危险驾驶行为识别模型的识别准确率，C是惩罚因子，σ是核参数，Np表示测试的样本数，np表示测试样本中危险驾驶行为识别准确的样本数。

2.根据权利要求1所述的一种基于智能设备的驾驶员危险驾驶行为识别方法，其特征在于：所述步骤S1中，按照50Hz的频率分别采集驾驶员驾驶过程中的数据。

3.根据权利要求1所述的一种基于智能设备的驾驶员危险驾驶行为识别方法，其特征在于：所述步骤S1中，每次采集将形成一个数据序列，该数据序列中每一行数据形式为{ax、ay、az,gx、gy、gz,rx、ry、rz,ti}(i＝1,2,3…)，其中ti为采样时刻，将数据序列存储到一个数据文件中。