1.一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，包括以下步骤：输入测试图片到训练好的分心驾驶行为分类模型，对分心驾驶行为的类别进行预测，模型输出驾驶员行为的类别标签，从而得到测试图片中分心驾驶行为的分类结果；所述分心驾驶行为分类模型先训练后使用，训练过程包括以下步骤：S1、获取AUC分心驾驶行为数据集，得到不同分心驾驶行为标签对应的图片；

S2、对图片进行预处理，预处理过程包括：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，然后将图片输入大小缩小为224×224像素；随机打乱数据集，按8:2的比例将打乱后的数据集划分为训练集和测试集；并对训练集进行数据增强处理，从现有的训练样本中生成更多的训练数据以增加训练样本的多样性；

预处理还包括：

数据标准化：读取AUC分心驾驶行为数据集中的图像文件，然后将JPG文件解码为RGB像素网格，再将这些像素网格转换为浮点数张量，通过min‑max标准化方法进行标准化，将0‑

255范围的像素值缩放到[0，1]区间；标准化公式包括：

f(x)＝(x‑min)/(max‑min)

其中，max为样本数据的最大值，min为样本数据的最小值；

S3、使用改进的DenseNet121预训练网络进行迁移学习，将训练集数据输入网络进行特征提取，得到特征向量；

分心驾驶行为识别模型包括：一个卷积层，一个池化层，四个密集连接模块,三个过渡层和一个分类层，DenseNet121的网络结构使用连结结构，将每一层的输出导入后面的所有层；

S31、首先使用卷积层对训练集数据进行浅层特征提取，得到浅层特征；

S32、使用池化层对浅层特征进行最大池化，通过最大值的方式减少数据量，将输入的图像划分为若干个矩形区域，对每个子域输出最大值；

S33、池化层的输出经过密集连接模块，密集块中的每个卷积层输出特征图数量与宽度；

S34、密集块与密集块之间使用过渡层连接，过渡层结构为BN‑ReLU‑Conv，即批处理归一化，线性整流函数、池化及卷积；

S4、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，得到预测的概率；

S5、根据训练集类别标签对预测的概率计算损失函数，通过反向传播算法进行迭代训练；

交叉熵公式表示为：

训练过程中，前10个epoch迭代损失下降较快，迭代20个epoch后损失开始缓慢下降，到

30个epoch时基本达到收敛，此时模型训练完成，得到训练好的分心驾驶行为分类模型并保存。

2.根据权利要求1所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，所述卷积层包括一个7×7卷积，步数为2。

3.根据权利要求1所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，所述池化层包括一个3×3最大池化，步数为2。

4.根据权利要求1所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，每两个密集连接模块之间连接一个过渡层，总计四个密集连接模块，三个过渡层；最后一个连续密集连接模块之后连接一个全局平均池化和一个全连接层。

5.根据权利要求4所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，密集连接模块中包含3×1和1×3的两个卷积，将原有密集连接模块中所包含的3×3卷积分解成3×1和1×3的两个卷积，从而简化网络结构模型设计出更轻量高效的卷积神经网络。

6.根据权利要求5所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，密集连接模块的函数表达式为：

7.根据权利要求1所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，所述分类层中包含一个7×7全局平均池化和一个softmax分类。