1.一种考虑人‑车‑路特性的驾驶员意图识别方法，其特征在于：包括以下步骤步骤1.获取从驾驶模拟器中记录的本车及其与周围车辆相关数据、驾驶员行为动作和驾驶室外场景信息；

步骤2.对驾驶模拟器中获取的本车及周围环境数据进行预处理，并输入到训练好的GrowNet网络中，得到五种类别的概率值Pi(P1,P2,…,P5)；其中，五种类别分别为向左转、向右转、向左变道、向右变道和保持直行；

步骤3.分别保存两个摄像头采集的视频数据并进行处理，将1号摄像头得到的驾驶员的驾驶动作视频数据输入到改进后的two‑stream模型的快速通道中，将2号摄像头得到的驾驶场景数据输入慢速通道中，最后通过全连接层和softmax层得到五种类别的概率值Pi'(P'1,P'2,…,P'5)；

步骤4.对从步骤2和步骤3得到Pi和Pi'加权求和，权重分别为ω1、ω2，即ω1Pi+ω2Pi′，取五种类别求和之后的最大值对应的类别为最终识别的驾驶意图。

2.根据权利要求1所述的考虑人‑车‑路特性的驾驶员意图识别方法，其特征在于：步骤

1通过以下方式实现：

步骤1.1.布置好两个摄像头、显示屏，其中，1号摄像头置于驾驶员正前方，2号摄像头正对驾驶器屏幕，显示屏需不少于三块，显示屏中需呈现汽车后视镜的视野；

步骤1.2.布置完硬件设备后，使用驾驶模拟器配套的软件根据意图识别种类的需求构建驾驶场景；

步骤1.3.安排不少于5名拥有驾照的参与者分别在模拟驾驶器上完成整个路程的驾驶任务，参与者需根据交通规则做正常的操纵动作；

步骤1.4.驾驶模拟器记录的本车数据包括本车的行驶速度、方向盘转角、与车道线航向角以及车辆质心所在车道序号。

3.根据权利要求1所述的考虑人‑车‑路特性的驾驶员意图识别方法，其特征在于：步骤

2通过以下方式实现：

步骤2.1.预处理包括截取车辆完成相关驾驶行为前5秒的数据并做好标签，相关驾驶行为指的是五种需要识别的驾驶意图；将处理好的数据划分为训练集和测试集，输入模型之前用Batch Normalizaton层对数据做归一化处理；

步骤2.2.使用带有两个隐藏层的感知机网络作为弱学习器，使用拟牛顿迭代法训练网络，损失函数交叉熵，得到各意图类别的置信概率值Sk(xi)，其中xi为输入的某个样本。分类器输出需经过softmax层，对每个弱分类器加权求和得到最终的结果pi＝∑iwoutSk(xi)，wout为训练过程产生的权重参数，且其值将根据更新的学习率不断调整。

步骤2.3.使用步骤2.1中的训练集数据预先训练grownet，并保存模型参数。

4.根据权利要求1所述的考虑人‑车‑路特性的驾驶员意图识别方法，其特征在于：步骤

3通过以下方式实现：

步骤3.1.处理包括截取车辆完成驾驶行为前5秒的视频片段并做好标签，载入模型的数据是抽帧后的图片或者视频数据，图像分辨率大小为224×224；

步骤3.2.使用改进的two‑stream模型分别将提取的驾驶员行为特征与提取的驾驶场景变换特征融合；

步骤3.3.先使用Kinetics‑400行为数据集的预训练模型初始化权重参数，然后再使用Brain4Cars数据集在此基础上训练，以加速模型收敛；

步骤3.4将步骤3.1中处理好的数据输入到微调好的two‑stream预训练模型中即可得到各类别的概率值Pi′。

5.根据权利要求1所述的考虑人‑车‑路特性的驾驶员意图识别方法，其特征在于：步骤

4通过以下方式实现：

步骤4.1.确定权重ω1、ω2的值，令ω1的初始值为0，训练第e次后，ω1＝ae，其中a＝

0.1，e＝1,2,…10,ω2＝1‑ω1；在10次训练中，保留使得分类准确率最大时对应的权重值ω1、ω2；

步骤4.2.使用步骤4.1确定好的权重参数计算得到ω1Pi+ω2Pi′，驾驶意图即为max(ω

1Pi+ω2Pi')对应的输出类别。