1.一种基于SVM‑Adaboost的驾驶分心检测方法，其特征在于，包括以下步骤：步骤一、基于自然驾驶数据搭建模拟驾驶场景；

步骤二、采集驾驶人在模拟驾驶场景中的驾驶数据，分别包括正常驾驶及分心驾驶状态下驾驶人生理特征、驾驶人心理特征、驾驶车辆运行特征及环境特征；

步骤三、基于主成分分析法对采集驾驶原始数据进行降维分析，提取表征因子特征根及特征向量，计算表征因子的贡献率，对表征因子方差贡献率进行排序，析出最佳影响因子；

步骤四、将最佳影响因子数据作显著性分析，将影响因子指标标签化，正常驾驶标签集为0，分心驾驶标签集为1，将标签集中70％做训练集，30％为测试集，训练集将用作驾驶分心判别模型的模型训练，测试集用作模型优化测试；

步骤五、将训练过程中输入训练集，每个特征用一个SVM弱分类器进行分类，计算每个SVM分类结果的错误率，每个SVM对应一个特征，一组SVM代表所有选取的特征组成一个基分类器，Adaboost将多个基分类器组合,利用SVM和Adaboost各自的优势构建基于SVM‑Adaboost的驾驶分心判别模型，输出驾驶分心判别结果，标签0为正常驾驶，标签1为分心驾驶；

所述步骤一中搭建模拟驾驶场景采用联合仿真软件进行仿真，驾驶场景包括道路场景和车辆的驾驶场景，所述驾驶场景包括跟车、换道、转向、超车、会车的场景；

所述步骤二中采集驾驶人在模拟驾驶场景中的驾驶数据，在模拟驾驶场景中设置分心次任务，次任务分别设置在道路的不同区域和不同的驾驶环境中，采集驾驶人的眼动数据，同时导出车辆横向速度、纵向速度、横向加速度、纵向加速度、方向盘转角、油门开度、刹车制动力数据；

所述步骤三基于主成分分析法对采集驾驶原始数据进行降维分析，提取表征因子特征根及特征向量，计算表征因子的贡献率，对表征因子方差贡献率进行排序，析出最佳影响因子计算如下：在进行主成分分析之前需要对所采集样本数据进行标准化前期处理得到标准化的矩阵X，使处理后的样本数据满足E(X)＝0、D(X)＝1，计算公式为：其中

式中m为维度的数量，Xij、Yij为数据的向量矩阵；

计算标准化后的每两个指标间的相关系数，得到相关系数矩R，计算公式为：其中X′为X的转置矩阵；

计算相关系数矩阵R的特征根及相应的特征向量并可以得到特征向量矩阵V，计算公式为：|R‑λi|＝0

式中λi为特征向量矩阵元素；

计算第k个主成分的主成分贡献率，并得到特征值向量K，计算公式为：式μk是第k个主成分的主成分贡献率，λk是第k个主成分中的矩阵元素；

依据各主成分贡献率由大到小选取前p个主成分，使其累计贡献率大于90％：计算各个原始参数指标对原始信息的贡献率矩阵F：

F＝abs(V)*abs(K)

其中abs(V)和abs(K)函数是对数组元素进行绝对值处理的函数；

将指标贡献值降序排序，选取排序在前的4个主成分进行分析，分别是正常区域注视时间比、眼闭合时间比例、车速及加速度。

2.根据权利要求1所述的基于SVM‑Adaboost的驾驶分心检测方法，其特征在于：所述步骤四中将最佳影响因子数据作显著性分析，将影响因子指标标签化，在每次训练过程中选取70％的样本量作为训练集，其余为测试集，保证训练集中包括正常和分心两种驾驶状态，根据实验眼动仪视频对训练集中驾驶人驾驶分心状态进行标定。

3.根据权利要求2所述的基于SVM‑Adaboost的驾驶分心检测方法，其特征在于：所述步骤五中在训练过程中输入训练集，每个特征用一个SVM弱分类器进行分类，计算每个SVM分类结果的错误率，所有特征对应的多个SVM组成一个基分类器，并由这些SVM中最小的错误率作为基分类器的错误率，计算基分类器的权重δk，由δk更新数据集权重，经过多次迭代得到最终分类器 GMk指第K个基分类器；在测试过程中输入测试集，遍历各基分类器，在遍历过程中由各基分类器中的弱分类器SVM进行预测分类，统计分类结果并对结果进行投票，选投票最高的作为基分类器的预测分类，对各分类器的分类结果进行加权累加，得到最终的分类判断，SVM‑Adaboost模型的训练过程如下：输入训练集T＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中xn,yn∈(‑1,+1)；

初始化训练样本的权重为：

对于k＝1,2,…,K：每个特征用一个SVM进行分类，SVM看做弱分类器Rs(x1)，共有n个Rs(x1)，计算每个Rs(x1)的错误率 得到最小错误率ekmin；

更新训练数据集权重：

其中，归一化因子zk为 将样本权重带入出求弱分类器

的错误率及基分类器权重；

得到最终的SVM‑Adaboost分类器

式中Gk(x)指第k轮训练出的基分类器模型；

将训练集输入最终的分类器，标签0为正常驾驶，标签1为分心驾驶。