1.一种基于深度学习的驾驶员手部检测方法，其特征在于，包括：

获取手部标注图像；

在深度学习网络模型的主干网络中每个特征层上添加注意力机制，在注意力机制后连接由空间金字塔池化层和金字塔注意力网络组成的残差单元；

对手部标注图像依次经主干网络和残差单元进行自下而上和自上而下的特征提取，根据得到的特征图对深度学习网络模型进行训练；

对待测手部图像根据训练后的深度学习网络模型得到驾驶员手部的位置；

主干网络由多个残差块组成，使用CSPnet将原来的残差块的堆叠进行拆分，拆成为左右两部分，即主干部分继续进行原来的残差块的堆叠，另一部分则定义为残差单元，经过少量处理直接连接到最后；

在主干网络中，包括五个特征层stage，在YOLOv4中定义注意力机制SE模块，在每一个特征层stage输出特征图时添加注意力机制SE模块；

所述残差单元中，将注意力机制SE模块添加在残差单元的前部。

2.如权利要求1所述的一种基于深度学习的驾驶员手部检测方法，其特征在于，以深度学习中的YOLOv4算法为基础，在YOLOv4算法的主干网络CSPDarknet53中添加注意力机制。

3.如权利要求1所述的一种基于深度学习的驾驶员手部检测方法，其特征在于，所述注意力机制对经自下而上提取得到的不同大小的特征图卷积池化进行自适应融合。

4.如权利要求1所述的一种基于深度学习的驾驶员手部检测方法，其特征在于，所述空间金字塔池化层连接在主干网络最后一个特征层的卷积里，在对主干网络的最后一个特征层进行三次DarknetConv2D_BN_Leaky卷积后，分别利用四个不同尺度的最大池化进行处理。

5.如权利要求1所述的一种基于深度学习的驾驶员手部检测方法，其特征在于，所述金字塔注意力网络通过注意力机制实现自上而下的特征提取。

6.如权利要求1所述的一种基于深度学习的驾驶员手部检测方法，其特征在于，根据金字塔注意力网络的中间层、中下层和底层输出的特征图进行手部目标的检测。

7.如权利要求1所述的一种基于深度学习的驾驶员手部检测方法，其特征在于，对手部标注图像进行反转、缩放、色域变化的预处理后得到训练集。

8.一种基于深度学习的驾驶员手部检测系统，其特征在于，包括：

图像获取模块，用于获取手部标注图像；

网络改进模块，用于在深度学习网络模型的主干网络中每个特征层上添加注意力机制，在注意力机制后连接由空间金字塔池化层和金字塔注意力网络组成的残差单元；

网络训练模块，用于对手部标注图像依次经主干网络和残差单元进行自下而上和自上而下的特征提取，根据得到的特征图对深度学习网络模型进行训练；

手部检测模块，用于对待测手部图像根据训练后的深度学习网络模型得到驾驶员手部的位置；

主干网络由多个残差块组成，使用CSPnet将原来的残差块的堆叠进行拆分，拆成为左右两部分，即主干部分继续进行原来的残差块的堆叠，另一部分则定义为残差单元，经过少量处理直接连接到最后；

在主干网络中，包括五个特征层stage，在YOLOv4中定义注意力机制SE模块，在每一个特征层stage输出特征图时添加注意力机制SE模块；

所述残差单元中，将注意力机制SE模块添加在残差单元的前部。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑7任一项所述的方法。