1.一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法，其特征在于，包括以下步骤：S1、驾驶员驾驶倾向性评测：车辆启动前，对车辆驾驶员进行一个问卷调查，通过对数据库的数据对比，判别驾驶员的驾驶倾向性；

S2、激进型认证：根据步骤S1采集的数据及判定结果，判定驾驶员是否为激进型，若判断为“是”则进入步骤S3；若判断为“否”，则进入步骤S12；

S3、驾驶员面部数据采集及情绪识别：车辆行驶过程中，对驾驶员面部数据进行实时采集，并根据采集到的数据进行驾驶员的情绪识别；

S4、愤怒情绪认证：根据步骤S3采集的数据及判定结果，判定驾驶员的情绪是否为愤怒情绪，若判断为“是”则进入步骤S5；若判断为“否”，则进入步骤S12；

S5、愤怒情绪预警：根据步骤S4的认证结果，驾驶员为愤怒情绪时，则自动播放缓解愤怒情绪的音乐，以图缓解驾驶员的愤怒情绪；

S6、愤怒情绪再次认证：通过步骤S5的音乐播放完毕后，再次对驾驶员的情绪进行识别，判断驾驶员的愤怒情绪是否已经消失，若判断为“否”则进入步骤S7；若判断为“是”，则进入步骤S12；

S7、车辆行驶信息采集：车辆行驶过程中，对车辆行驶信息进行实时数据采集；

S8、车辆行驶状态一级报警判定：根据步骤S7采集的车辆行驶数据，判定车辆是否超过安全行驶阈值，若判断为“是”则进入步骤S9；若判断为“否”，则进入步骤S12；

S9、一级报警：根据步骤S8的判定结果，对驾驶员进行一级报警；

S10、车辆行驶状态二级报警判定：根据步骤S7采集的车辆行驶数据，判定车辆是否恢复到安全行驶阈值以内，若判断为“否”则进入步骤S11；若判断为“是”，则进入步骤S12；

S11、二级报警：根据步骤S10的判定结果，对驾驶员进行二级报警，并在二级报警的情况下自动对行驶过程中的车辆进行减速操作；

S12、车辆正常运行；

其中，步骤S3的驾驶员面部数据采集及情绪识别是一种基于卷积神经网络的算法，具体算法如下：步骤1：数据输入层，将车内摄像头采集到的驾驶员面部图片解析成由像素值表示的多维矩阵；

步骤2：卷积层，通过不同的卷积核，来获取步骤1输入图片数据的特征，计算这个图片每一个像素点的邻域像素和滤波器矩阵的对应元素的乘积和，卷积层的卷积公式为：n,m

式中，f(x)表示激活函数；L，W表示卷积核的长和宽；ω 是卷积核(n,m)位置对应的权值；u表示上一层的输出；x，y分别为输入的像素特征；b为常数；ReLU函数作为激活函数，ReLU函数数学表达式为：f(x)＝max(0,x)；

步骤3：池化层，输入的图片数据在经过卷积层后得到的特征维数较大，每个卷积层后边接一个池化层进行降维；

步骤4：全连接层，连接在最后一层降采样层和分类器之间，将经过卷积层和降采样层学习得到的局部特征进行整合，得到全局特征，全连接层的数学表达式为：y＝g(Wh+b1)；

式中，g(x)表示分类函数；W表示连接权值；h表示隐藏输出；b1表示偏置，分类函数选择Softmax函数，其函数表达式为：式中，e表示自然底数；fi表示最后一个全连接层输出的第i的样本的提取特征；Pi表示Tfi被正确分类的后验概率；N是训练样本的数量，K是类的数量；Wj表示全连接层权重矩阵的第j列的转置； 表示第i的样本的输入值对应的偏置量；bj为偏置项；

步骤5：输出层，采用RBF网络，每个RBF网络的中心为每个类别的标志，RBF网络输出越大，代表越不相似，输出的最小值即为RBF网络的判别结果。

2.根据权利要求1所述的考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法，其特征在于：驾驶员的驾驶倾向性评测以调查问卷的形式进行，问卷通过车载屏幕显示，驾驶员做完之后，系统会根据问卷调查的得分与数据库进行对比，进而得出驾驶员的驾驶倾向性。

3.根据权利要求1所述的考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法，其特征在于：车辆行驶信息采集依靠在车辆上安装360度全景摄像头，通过全景摄像头捕获的车辆位置信息，求出车辆的横向速度和纵向速度，其计算公式如下：v1＝v·cosθ；

v2＝v·sinθ；

式中，v1表示车辆的纵向速度，v2表示车辆的横向速度，v表示车辆的行驶速度，θ表示车辆的行驶方向与道路方向的夹角。