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；

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；

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；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，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。

3.根据权利要求2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。

4.根据权利要求2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。

5.根据权利要求2所述的一种基于DenseNet121网络的驾驶行为识别方法，其特征在于，所述过渡层包括瓶颈层和池化层，所述瓶颈层为1×1卷积，用于压缩密集连接模块输出的参数；池化层包括2×2平均池化，池化层用于解决密集连接模块带来的通道数剧增、模型过于复杂的问题。

6.根据权利要求2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。

7.根据权利要求6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。

8.根据权利要求7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：

9.根据权利要求2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分类器。