1.一种基于深度学习的驾驶员情感识别及不确定性评估方法，其特征在于：该方法包括以下步骤：对驾驶员图像进行自适应直方图均衡化处理，以解决车内光照不均造成的问题；

利用改进后的Wide ResNet网络提取驾驶员图像中的情感特征，其中改进后的Wide ResNet网络包括：至少四个卷积层，每层卷积层后面均连接一个谱归一化SN层；

将原始Wide ResNet网络中的接近输出的dropout层、全连接层、softmax层替换为高斯过程GP层；

利用贝叶斯理论体系，对经过高斯过程层得到的概率密度分布进行分类，其中高斯过程的后验采用随机特征扩展拉普拉斯近似进行计算。

2.根据权利要求1所述的一种基于深度学习的驾驶员情感识别及不确定性评估方法，其特征在于：所述自适应直方图均衡化处理包括：将图像分割成大小相等的块；

计算每个子块中所包含的灰度级；

统计每个灰度级所包含的数量；

计算子图的图像直方图；

计算变换函数，将各个子块合并成整个图像。

3.根据权利要求1所述的一种基于深度学习的驾驶员情感识别及不确定性评估方法，其特征在于：所述改进后的Wide ResNet网络包括：第一卷积层，具有64个3X3卷积核；

第二卷积层，具有128个3X3卷积核；

第三卷积层，具有256个3X3卷积核；

第四卷积层，具有512个3X3卷积核；

卷积层之间连接2X2池化层maxpool，移动步长为16；

引入残差模块来保证级别之间的梯度相关性；

输出特征映射使用PReLU激活函数进行非线性变换。

4.根据权利要求1所述的一种基于深度学习的驾驶员情感识别及不确定性评估方法，其特征在于：所述谱归一化SN层的实现方法为：初始化：选择一个随机的初始向量；

迭代计算：使用初始向量与参数矩阵进行矩阵乘法；将结果向量进行归一化处理；将归一化后的结果向量与参数矩阵进行矩阵乘法；将结果向量进行归一化处理；

经过K次迭代后，最大奇异值的近似值为：

其中σl(W)是矩阵W的第l个奇异值，表示矩阵在某个方向上的伸缩程度；W表示一个矩阵，K表示迭代的次数； 是在第K次迭代后得到的第l个左奇异向量ui的转置； 是在第K次迭代后，第l个右奇异向量vl；

将每个参数矩阵上的参数除以它，以达到归一化目的。

5.根据权利要求1所述的一种基于深度学习的驾驶员情感识别及不确定性评估方法，其特征在于：所述高斯过程GP层的实现方法为：训练数据：设有N个训练样本 其中y i是第i个训练样本的标签，xi是第i个训练样本的输入特征；

隐藏表示：每个输入xi通过某个隐藏表示函数转换为隐藏表示hi＝h(xi)；h(xi)是将输入特征xi映射到隐空间后的结果；

条件高斯过程：基于这些隐藏表示hi，定义一个条件高斯过程g，它在N个隐藏表示点上T的输出是一个向量gN×1＝[g(h1),...,g(hN)]；

具有RBF核的高斯过程先验：高斯过程模型设gN×1服从一个多元正态分布，其均值为零，2

协方差矩阵为σ K，其中协方差矩阵K的元素通过RBF核函数计算得到：2

RBF核函数：RBF核函数定义为：K(x,x′)＝exp(‑γ‖x‑x′‖)，其中，x和x′是两个输入向量，‖x‑x′‖是x和x′之间的欧几里得距离；γ是一个参数，控制核函数的宽度；

后验 分布 ：给 定观测 数据 通过 贝叶 斯公式 计算 g的 后验 分布 ：其中，p(g)是先验分布，p(D∣g)是观测数据的似然函数。

6.根据权利要求1所述的一种基于深度学习的驾驶员情感识别及不确定性评估方法，其特征在于：所述将原始Wide ResNet网络中的接近输出的dropout层、全连接层、softmax层替换为高斯过程GP层中，损失函数公式为： 其中N表示样本数，C表示类别数，γi,j表示将第i个样本标记为第j类的实际概率，μi,j表示将第i个样本标记为第j类的平均概率GP预测的第j类。

7.一种基于深度学习的驾驶员情感识别及不确定性评估系统，其特征在于：该系统包括：图像输入设备，用于获取驾驶员图像；

图像增强模块，用于对驾驶员图像进行自适应直方图均衡化处理；

视觉特征提取模块，用于利用改进后的Wide ResNet网络提取图像中的情感特征；

情感识别模块，用于对经过高斯过程层得到的概率密度分布进行分类，其中高斯过程的后验采用随机特征扩展拉普拉斯近似进行计算；

图像输入设备头负责捕获驾驶员图像，并将图像数据输入到图像增强模块；

图像增强模块对输入的驾驶员图像进行自适应直方图均衡化处理，以解决车内光照不均造成的问题，并输出处理后的图像；

处理后的图像作为输入传递给视觉特征提取模块；

视觉特征提取模块利用改进后的Wide ResNet网络提取图像中的情感特征，并将提取的特征作为输入传递给情感识别模块；

情感识别模块利用贝叶斯理论体系，对经过高斯过程层得到的概率密度分布进行分类，并输出驾驶员情感识别结果。

8.根据权利要求7所述的基于深度学习的驾驶员情感识别及不确定性评估系统，其特征在于：所述图像增强模块、视觉特征提取模块和情感识别模块的功能由一个深度学习模型实现。

9.根据权利要求7所述的基于深度学习的驾驶员情感识别及不确定性评估系统，其特征在于：所述图像输入设备为摄像头。