1.一种基于实车数据驾驶员驾驶风格识别方法，其特征在于，包括以下步骤：采集自然行车数据；

根据自然行车数据选取驾驶工况并提取每个驾驶工况的特征参数；所述选取的驾驶工况包括起步加速、制动减速、换道或转弯工况；

所述起步加速为以车辆车速变化为基准，车速从0连续增加到稳定值的阶段；所述起步加速的特征参数包括加速时间、车速最大值、车速平均值、车速标准差、加速度平均值、加速度最大值、加速度标准差、加速度冲击度最大值、加速度冲击度平均值、加速度冲击度标准差、加速踏板开度最大值和加速踏板开度平均值；

所述制动减速为以车辆车速变化为基准，车速从稳定值连续下降到0的阶段；所述制动减速的特征参数包括减速时间、车速最大值、车速平均值、车速标准差、减速度平均值、减速度最大值、减速度标准差、减速度冲击度最大值、减速度冲击度平均值、减速度冲击度标准差、减速踏板开度最大值和减速踏板开度平均值；

所述换道为以方向盘转角变化为基准，在转角峰值两侧从0度连续变化到0度的阶段；

所述换道的特征参数包括车辆换道时间、驾驶员观察时间、车速最大值、车速平均值、车速标准差、方向盘转角最大值、方向盘转角平均值、方向盘转角标准差、方向盘转向角速度最大值、方向盘转向角速度平均值、方向盘转向角速度标准差、横摆角速度最大值、横摆角速度平均值和横摆角速度标准差；所述驾驶员观察时间是在打开转向灯后，驾驶员头部从注视前方道路到注视相邻车道再到注视前方道路所用时间；

所述转弯为以方向盘转角变化为基准，在转角峰值两侧方向盘从0度连续变化到0度的阶段；所述转弯的特征参数包括车速最大值、车速平均值、车速标准差、加速度平均值、加速度最大值、加速度标准差、减速度平均值、减速度最大值、减速度标准差、加速踏板开度最大值、加速踏板开度平均值、减速踏板开度最大值、减速踏板开度平均值、横摆角速度最大值、横摆角速度平均值、横摆角速度标准差、方向盘转角最大值、方向盘转角平均值、方向盘转角标准差、方向盘转向角速度最大值、方向盘转向角速度平均值和方向盘转向角速度标准差；

对每个驾驶工况的特征参数进行降维，得到各驾驶工况的综合特征向量，对各工况的综合特征向量进行聚类分析，初步识别驾驶风格，具体步骤如下：随机选取k个样本作为初始K类的质心向量，通过计算样本与各质心向量之间的欧氏距离将样本划分到距离最近的簇中，重新计算簇的质心，重复将样本划分到距离最近的簇中，直至质心不再发生变化，完成初步识别驾驶风格；

基于初步识别的驾驶风格采用非线性支撑向量机算法对每个驾驶工况的综合特征向量进行深度分类，得到多个分类器，具体步骤如下：利用拉格朗日函数得到对偶形式，根据对偶形式求得带有最大间隔的最优超平面，根据带有最大间隔的最优超平面得到分类器的决策函数，通过分类器的决策函数构建所有分类器，所述分类器的决策函数如下：式中：αi为函数乘子，Yi为目标类别，K(xi,xj)为核函数，b为权重；

融合多个分类器，融合后的多个分类器根据决策函数进行识别，得到驾驶员驾驶风格识别结果。

2.根据权利要求1所述的一种基于实车数据驾驶员驾驶风格识别方法，其特征在于，所述自然行车数据包括驾驶员操作数据和车辆行驶数据，所述采集自然行车数据的具体过程如下：在车辆正常行驶状态下，通过车辆CAN总线获取驾驶员操作数据和车辆行驶数据；

所述驾驶员操作数据包括各个驾驶工况的时间、踏板开度位置、方向盘转角、方向盘角加速度，所述车辆行驶数据包括车辆速度、加速度、横摆角速度、加速度冲击度。

3.根据权利要求1所述的一种基于实车数据驾驶员驾驶风格识别方法，其特征在于，对每个驾驶工况的特征参数进行降维前，需对每个驾驶工况的特征参数进行归一化处理，所述归一化处理的具体步骤如下：对每个工况下的特征参数的平均值μ和标准偏差σ进行归一化处理，归一化处理的公式如下：*

式中：X为驾驶风格多元特征参数原始数据集，X为归一化后的特征参数数据集；

经过归一化处理的每个工况下的特征参数的平均值μ为0，标准偏差σ为1。

4.根据权利要求1所述的一种基于实车数据驾驶员驾驶风格识别方法，其特征在于，对每个驾驶工况的特征参数采用PCA算法进行降维，选取降维后每个驾驶工况的特征参数的特征值大于1所对应的特征向量，为各个工况的综合特征向量，各个工况的综合特征向量的m选取过程如下：令X＝{x1,x2,…,xn}表示驾驶风格多元特征参数数据集，其中xn∈R ，n＝样本数；

计算X的均值向量μ，根据均值向量μ计算协方差矩阵S；

根据协方差矩阵计算S的特征值λi和λi对应的特征向量vi；

选取各个工况的综合特征向量的公式如下：

Svi＝λivi,i＝1,2,…,n。

5.根据权利要求1所述的一种基于实车数据驾驶员驾驶风格识别方法，其特征在于，融合多个分类器，融合后的多个分类器根据决策函数进行识别，得到驾驶员驾驶风格识别结果的具体步骤如下：用Platt方法得到支持向量机输出的数字标签，并将数字标签转化为概率标签，概率标签即后验概率输出，后验概率输出结合支持向量机的总数目得到每个分类器的基本概率赋值函数BPA，基于基本概率赋值函数BPA，通过D‑S证据理论融合得到多个分类器融合后各类别的BPA，多个分类器融合后的BPA通过决策函数进行识别，决策函数的公式如下：

式中：bel({C})为信度函数，τd为预先设定门限值，Ct为识别类别。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5所述的方法中的任一方法。

7.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。