1.一种基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，包括如下步骤：步骤1：输入驾驶员驾驶视频V1，利用SRGAN进行初步分辨率提升，输出高分辨率驾驶员驾驶视频V2；

步骤2：利用改进的卷积神经网络，构造人体关键点识别模型M1；

步骤3：利用yolo算法对视频V2中的人物进行检测，框选出单个人体存在的像素，输出单人体视频集V3；

步骤4：将视频集V3进行二值化处理，利用信息熵公式对单人体视频集进行裁剪，捕捉发生动作帧数超过总帧数50％的单人体视频，还原视频为原编码格式，输出为单人体关键帧集V4；

步骤5：利用模型M1对关键帧集V4中的人体进行检测，输出人体关键点坐标集K1；

步骤6：对驾驶员状态中各种姿势关键点进行标记，利用多元线性回归算法计算每种姿势对应关键点分布模型M2；

步骤7：对坐标集K1进行二次检测，使用正常坐标点计算人体关键点之间距离信息，和模型M2进行对照从而输出驾驶员状态。

2.根据权利要求1所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述步骤1中利用SRGAN进行初步分辨率提升具体为：S1.1：输入一组数据，分别为高分辨率下人体图像IA，通过下采样操作获得低分辨率人体图像IB；

S1.2：构造生成网络，将低分辨率人体图像IB作为输入，对其进行卷积运算、激活函数ReLU、两个卷积层的残差运算，经过归一化、池化和两个亚像素卷积层，输出生成样本图像IC；

S1.3：构造判别网络，输入生成样本图像IC，通过卷积运算和激活函数，再经过Sigmoid函数来判断是否为原始图像；

S1.4：对生成图像IC，计算内容损失函数，计算MSEloss像素空间的均方误差；

S1.5：对生成图像IC，计算其峰值信噪比值PSNR，若和原图像计算得到的PSNR值小于

30dB，则返回S1.2重新进行生成；若生成图像和原图像PSNR值均值大于30dB，则输出训练好生成器P；

S1.6：输入低分辨率原视频V1，将其分片为帧，输入生成器P，输出高分辨率帧FA，重组为视频，得到高分辨率驾驶员驾驶检测视频V2。

3.根据权利要求1所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述步骤2中利用改进的卷积神经网络构造人体关键点识别模型M1具体为：S2.1：对人体关节点处数据进行标记，同时在训练集图片上标注关节点周围像素，标注要避免关节点标签之间互相重复，输出标注好的人体关键点数据集SPC；

S2.2：输入关键点数据集SPC，使用卷积神经网络的卷积层、池化层、ReLU激活函数提取SPC的特征矩阵，初始化卷积核大小为11x11，步长为4，池化层为核为3x3的池化层，重复五次卷积层和池化层操作；其中第二次卷积操作中卷积核大小改为5x5，其余卷积操作中卷积核大小改为3x3，输出特征据矩阵PM1；

S2.3：对特征矩阵进行平均池化操作，核大小为3x3，步长为2，输出特征矩阵PM2；

S2.4：将特征矩阵PM2输入到全连接层，进行特征映射，重复两次操作，全连接层神经元数量为4096个，采用ReLU激活函数，使用Dropout操作后连接至神经元数量为20的全连接层，输出分类器MA；

S2.5：计算分类器MA在数据集SPC上的损失，更新神经网络连接函数的权值，若损失函数计算差值较上次计算大于0.05，转入S2.2；反之，减少第一层卷积层卷积核的大小，每次减少的步长为1，下限为3x3，增大其余层卷积核的步长，上限为6，重新更新网络的权重；选择分类效果最优的模型作为检测模型，输出人体关键点识别模型M1；

S2.6：输入一组未标注人体关键点的图像数据SPD，利用人体关键点识别模型M1对SPD进行人体关键点识别，输出标注好的人体关键点数据集SPE；将数据集SPE转入S2.2，训练后输出更新参数的人体关键点识别模型M1，查看模型M1在数据集SPC上识别准确率是否有提升，若有，则输出更新了参数模型M1，反之，则输出未更新参数的模型M1。

4.根据权利要求1所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述步骤3具体包括如下内容：

S3.1：将视频V1切分为视频帧，输出为视频帧集合FA；将视频帧划分为SxS个网格，如果目标的中心落入某一单元格，则该网格负责检测该目标，并对这个网格卷积计算来提取特征，同时输出每个网格的目标存在置信度C1；

S3.2：对目标存在置信度大于80％的相邻网格，扩展网格边界进行预测，如果在网格内部检测到了目标，则输出目标单元格坐标(x1,y1)；如果在扩展网格单元后检测不到目标，则对该区域进行无目标判定；若扩展后单元格置信度和原单元格置信度差别过大，则返回S3.1；

S3.3：对检测到目标区域进行裁剪，减少图片像素值，对像素值小于25x25的图片，返回步骤1，输出像素值正常图片帧集合FB，合并为视频集合V3输出。

5.根据权利要求1所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述步骤6具体内容为：

S6.1：输入一组标记好的人体姿势关键点图片集合K2，输入未标记好的图片集合K3，其中每张图片标记的关键点有20个，对应驾驶员状态有正常驾驶、抽烟、看手机、单手驾驶、不目视前方等5类；

S6.2：利用集合K2中每张图片的关键点坐标所有关键点之间的距离D1，每张图片存在

190个距离，组成距离矩阵PM3，采用主成分分析使距离矩阵PM3从N1x190降维至N1x20，N1为集合K2种图片的数量，降维参数记录为参数矩阵PM4，输出驾驶员状态标签和关键点距离矩阵PM5；

S6.3：使用最小二乘法对矩阵PM5进行多元线性回归，初始化每种驾驶员驾驶状态对应线性分布超平面H1，计算矩阵PM5种每组距离和超平面H1的距离，每次计算完更新每个驾驶员状态对应超平面参数，若6个超平面法向量的两两余弦距离之差存在小于0.2的情况，则返回S6.1，反之，输出线性回归模型M2。

6.根据权利要求1至5任一所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述步骤7中对坐标集K1进行二次检测，检查是否有异常坐标点存在的具体内容为：输入坐标集合K1，计算每张图片中关键点和中心点距离标准差STD，计算每张图片中关键点和中心点的距离D2，若距离D2绝对值大于两倍STD的图片，判定为异常图片，返回步骤

5，对距离D2小于两倍STD的图片，判定为正常图片，输出为检测正常图片集合K3。

7.根据权利要求6所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述步骤7中使用正常坐标点计算人体关键点之间距离信息，和模型M2进行对照从而输出驾驶员状态具体为：

S7.1：对K3中图片的关键点，计算其间距离，输出坐标点间距离矩阵PM6，利用参数矩阵PM4对矩阵PM6进行降维，降维后的矩阵大小为N2x20，其中N2为K3中图片的数量，输出降维后的坐标间距离矩阵PM7；

S7.2：计算矩阵PM6和模型M2中每个超平面的余弦距离，将余弦距离的倒数进行批归一化操作，选择最大值对应驾驶员状态标签的置信度作为驾驶员状态置信度S1，输出置信度S1及S1对应驾驶员状态标签。

8.根据权利要求7所述的基于改进的卷积神经网络的驾驶员状态识别方法，其特征在于，所述驾驶员状态标签正常驾驶、抽烟、看手机、单手驾驶、不目视前方对应置信度设置为

1、0.2、0.2、0.2、0.2。