1.一种分心驾驶行为识别方法，其特征在于，所述方法包括下述步骤：S100、获取人机共驾接管状态下驾驶人的分心驾驶时序图像数据；

S200、利用训练好的第一模型或训练好的第二模型基于时序图像数据获取空间特征，并在空间特征的基础上获取时空特征；

S300、将所述时空特征与空间特征进行融合加强，进而获得用于分心驾驶行为类别识别分心驾驶行为特征。

2.根据权利要求1所述的方法，其特征在于，所述第一模型或者第二模型在训练时采用的数据集通过下述步骤获得：S101、获取含有不同驾驶人的多种驾驶行为的分心数据集；

S102、对同一驾驶人的同一分心驾驶动作图像数据，获取上下文连续的若干张图像为一个分心驾驶动作序列；

S103、获得每一个分析驾驶动作序列的种类，并对所属种类进行标签处理，进而获得第一模型或者第二模型的评估数据集，并将评估数据集分为训练集和测试集；

所述训练集用于对第一模型或者第二模型进行训练，所述测试集用于对第一模型或者第二模型进行验证。

3.根据权利要求1所述的方法，其特征在于：所述第二模型通过知识蒸馏获得第一模型的知识。

4.根据权利要求3所述的方法，其特征在于，所述第二模型通过知识蒸馏获得第一模型的知识，包括下述步骤：S110、将训练集输入训练好的第一模型，将其输出升温T后进行分类处理，得到第一输出结果；所述T大于0；

S111、将相同训练集输入第二模型，将其输出作为第二输出结果；

S112、将第二模型输出结果升温T后进行分类处理，得到第三输出结果；

S113、将第二输出结果与实际标签进行交叉熵计算，得到第一损失loss1，将第一输出结果与第三输出结果进行KL散度计算，得到第二损失loss2；

S114、计算总损失函数为：

loss总＝λloss1+(1‑λ)loss2，0＜λ＜1S115、当总损失函数值满足阈值条件时，将所述第二模型用于分心驾驶行为类别识别。

5.根据权利要求1所述的方法，其特征在于：所述第一模型为MobileNetv3和GRU级联构成的网络结构；

所述第二模型为GhostNet和GRU级联构成的网络结构。

6.根据权利要求2所述的方法，其特征在于，所述分心驾驶动作序列至少包括6张图像。

7.根据权利要求2所述的方法，其特征在于，所述评估数据集还包括下述处理：通过高斯噪声对所述评估数据集进行处理，并对其中的训练集进行扩增处理。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括下述步骤：根据识别的分心驾驶种类，在需要驾驶人接管时，做出预警；

所述预警包括声音提示的预警、声音和方向盘震动的双预警。

9.一种分心驾驶行为识别装置，其特征在于：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。

10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。