1.一种基于轻量化卷积神经网络的驾驶员行为识别方法，其特征在于，包括以下步骤：S1、获取公开的驾驶行为数据集，得到对应不同驾驶行为分类下的一系列图片；

S2、对图片进行预处理，再随机打乱数据集，对打乱后的数据集进行划分，得到训练集和测试集；

S3、对训练集进行数据增强处理，以增加训练样本的多样性；

S4、设计轻量化卷积神经网络，将训练集输入数据输入轻量化卷积神经网络进行特征提取；

S5、用分类器对提取到的特征向量进行各个驾驶员行为类别的概率预测，根据训练集类别标签对预测的概率计算损失函数，并通过反向传播指导轻量化卷积神经网络的下一步训练方向；

S6、训练完成后保存训练好的驾驶员行为分类模型。

2.根据权利要求1所述的驾驶员行为识别方法，其特征在于，所述轻量化卷积神经网络包括至少一个卷积模块、多个瓶颈模块、多个步长为2的下采样瓶颈模块、全局平均池化层和全连接层；多个瓶颈模块与多个步长为2的下采样瓶颈模块的连接方式为：1-3个瓶颈模块串联后与一个下采样的瓶颈模块连接形成一个子模块，再把多个子模块串联起来连接在卷积模块与全局平均池化层之间；全局平均池化层与全连接层连接。

3.根据权利要求2所述的驾驶员行为识别方法，其特征在于，所述卷积模块包括依次连接的卷积层、批正则化和激活函数。

4.根据权利要求2所述的驾驶员行为识别方法，其特征在于，所述瓶颈模块的处理流程包括：深度卷积：将图像的区域和通道分开进行特征提取，先对输入的每个通道单独卷积得到特征图，再对得到的特征图做逐点跨通道卷积；

通道分离：将输入通道平均分成两部分，分别进行下一步操作；

扩张卷积：在卷积核中注入空洞进行卷积操作，空洞个数由扩展卷积率决定；

通道连接：将之前分成两部分进行扩张卷积操作后的特征图按通道连接起来；

通道混洗：打乱原有通道的排列顺序，增加通道间的信息流通，提升网络模型的表达能力；

1*1卷积：对输入特征向量进行降维，减小参数；

相加：将输入图片与上述1*1卷积后再经批正则化、激活函数处理后的图片相加。

5.根据权利要求2所述的驾驶员行为识别方法，其特征在于，所述步长为2的下采样瓶颈模块的处理流程包括：深度卷积：将图像的区域和通道分开进行特征提取，先对输入的每个通道单独卷积得到特征图，再对得到的特征图做逐点跨通道卷积；

通道分离：将输入通道平均分成两部分，分别进行下一步操作；

扩张卷积：在卷积核中注入空洞进行卷积操作，空洞个数由扩展卷积率决定；

通道连接：将之前分成两部分进行扩张卷积操作后的特征图按通道连接起来；

通道混洗：打乱原有通道的排列顺序，增加通道间的信息流通，提升网络模型的表达能力；

1*1卷积：对输入特征向量进行降维，减小参数；

相加：将输入图片进行平均池化后与上述1*1卷积后再经批正则化、激活函数处理后的图片相加。

6.根据权利要求4或5所述的驾驶员行为识别方法，其特征在于，所述扩张卷积将3*3的扩张卷积分成1*3扩张卷积和3*1扩张卷积两步进行。

7.根据权利要求1所述的驾驶员行为识别方法，其特征在于，步骤S3所述数据增强处理包括：旋转处理，将图像旋转一定的角度；平移处理，将图像沿水平或垂直方向平移一定距离；随机裁剪原始图像中指定大小的图像块；色彩抖动，改变图像的饱和度、明度和/或色调。

8.根据权利要求1所述的驾驶员行为识别方法，其特征在于，步骤S2中按照训练集：测试集＝8：2的比例对打乱后的数据集进行划分。

9.根据权利要求1所述的驾驶员行为识别方法，其特征在于，步骤S2中预处理过程为：从数据集中获取驾驶员行为图片，先对图片进行线性归一化处理，然后运用面积插值算法，将图片缩放到轻量化卷积神经网络设计时要求的尺寸。

10.根据权利要求1所述的驾驶员行为识别方法，其特征在于，所述驾驶员行为识别方法还包括步骤：S7、输入测试图片到轻量化卷积神经网络，利用训练好的驾驶员行为分类模型以及分类器直接得出驾驶员行为类别预测结果。