1.一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，包括：S1获取车辆自身行驶信息与环境信息；

采集环境图像，识别行人并获取行人位置；获取车辆当前行驶状态信息，包括车辆行驶速度信息；

S2利用深度卷积神经网络模型辨识行人行为特征和精神状态特征；

利用Openpose算法获取行人关键点特征信息，将提取的行人关键点输入到长短时记忆网络模型中，提取行人身体姿态和注意力状态特征，实现对行人注意力状态的分类识别；

S3基于动态贝叶斯网络模型，融合S2中提出的行人姿态和注意力状态分类，辨识行人过街意图；

S4若S3中判断行人有穿行马路意图时，计算与前方行人的最小安全距离；

S5当车辆与前方行人的距离小于1.5倍最小安全距离时，车辆制动，同时投影灯在车辆前方投影出红色警示区域。

2.根据权利要求1所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S1中，环境图像的采集利用安装在车辆前挡风玻璃中间位置的CCD相机实现；所述获取行人位置利用安装在车辆前保险杠处的毫米波雷达实现。

3.根据权利要求1所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S2的深度卷积神经网络模型的设计包括：S2.1输入图片先经过VGG19网络的前十层和另外两个卷积层获得特征图，再利用双支线网络预测关键点位置，第一个分支预测身体部位间的亲和度，第二个分支预测身体部位位置的置信度图，利用非极大抑制获取候选关键点集，最后通过贪心推理计算出图像关键点位置的全局最优解，获取图像中所有的人18个人体关键点的位置。双分支的损失函数和 分别表示为其中， 表示亲和度分支的真实值，表示置信图分支的真实值，W(p)可以取值为0或1，防止算法惩罚那些没有标注信息的关键点；

S2.2)利用提取到的行人关键点坐标信息xt作为输入，通过长短期记忆网络进行高层次特征提取，其中长短期记忆网络在每个时间步内采用遗忘门控制上一层细胞的隐藏状态，计算过程如公式所示：Ft＝σ(WFht-1+UFxt+bF)  (3)

式中，Ft代表遗忘门，WF和UF代表遗忘门的权重矩阵，bF代表遗忘门的偏置；

输入门更新细胞状态信息，计算过程如公式所示：

It＝σ(WFht-1+UIxt+bI)  (4)

式中，It代表输入门，WI和UI代表输入门的权重矩阵，bI代表输入门的偏置。

输出门结合历史信息和新输入信息得出当前细胞隐藏状态的输出，计算过程如公式所示：Ot＝σ(WOht-1+UOxt+bO)  (5)

式中，Ot代表输出门，WO和UO代表输出门的权重矩阵，bO代表输入门的偏置；

利用输出门和当前时刻的记忆单元状态计算的隐含层输出值如下：ht＝Ottanh(ct)  (6)

S2.3利用全连接层f计算长短期记忆网络输出向量ht的权重wt，经过softmax层输出行人分神或集中两种注意力状态分类at的预测结果。

4.根据权利要求3所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S2利用深度卷积神经网络模型辨识行人行为特征和精神状态特征的方法包括如下：S2.1输入图片先经过VGG19网络的前十层获得特征图，再利用双支线网络预测关键点位置，第一个分支预测身体部位间的亲和度，第二个分支预测身体部位位置的置信度图，利用非极大抑制获取候选关键点集，最后通过贪心推理计算出图像关键点位置的全局最优解，对图像中所有的人生成18个人体关键点。

S2.2利用提取到的行人关键点坐标信息作为输入，通过长短期记忆网络进行高层次特征提取，实现前后数据帧关联；根据行人关键点坐标信息提取姿态特征，采用具有长短时记忆网络对行人处于分神或集中两种注意力状态进行分类识别。

5.根据权利要求4所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S3中动态贝叶斯网络模型的设计包括如下：S3.1定义动态贝叶斯网络的节点

隐层节点包含两层信息：第一层是人车碰撞危险、行人目的地、行人位置以及行人注意力状态，第二层是行人穿行意图；隐层变量集合E＝{R,D,P}和C＝{I}，均为离散变量；

观测层节点主要包括两层信息：行人与车辆的纵向与横向距离，车辆行驶速度，行人身体朝向，行人注意力状态类别；观测层变量集合O＝{Llon,Llat,Vv,OP}和A＝{AP}，其中Op,Ap为离散变量，Llon,Llat,Vv为连续变量；

S3.2优化网络结构

给定变量集{Llon,Llat,Vv,Op,Ap}和训练集T，通过学习网络参数找到一个最佳匹配此训练集T的网络N＝(D,θ)，并采用一个匹配性函数度量训练样本和网络的匹配程度；其中，D表示网络结构，θ表示网络的参数；

S3.3网络节点间的未知参数学习

根据深度卷积神经网络算法获得观测层变量的发生概率，隐层和观测层间的条件概率利用训练集进行参数学习，使用最大似然估计法来训练；设训练样本T关于网络参数θ的似然函数为L(θ)＝logP(T|θ)，利用梯度优化算法计算最优解；

S3.4根据观测层变量的后验概率推断

后验概率是指根据观测层变量推断出的隐层变量概率分布，其具体包括：

1)预测：用t时刻的概率分布得到t+1时刻的联合概率分布；设t时刻所有离散隐层变量{Et,Ct}的联合分布为则t+1时刻的离散隐层变量{Et,Ct,Et+1,Ct+1}联合分布为：

2)更新：引入t+1时刻的观测变量来获得新的概率分布；其中一个观测变量O为{Llon,Llat,Vv}，另一个观测变量B为{Ap,Gp}，则t+1时刻的离散隐层变量{Et,Ct,Et+1,Ct+1}联合分布为：

6.根据权利要求1所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S4中最小安全距离模型设计为：av-max＝μg  (10)

式子：Smust—最小安全距离，vv—自车车速，av-max—自车最大制动减速度，d0—人车静止时应具有的最小安全距离，g―重力加速度，μ―路面附着力系数。

7.根据权利要求1所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S5中投影灯安装在车头保险杠中间处，利用将灯光投影到车辆行驶前方，用来警示行人处于人车碰撞风险区域。

8.根据权利要求1所述的一种辨识高危行人意图的智能汽车主动避撞方法，其特征在于，所述S1-S5可循环执行。