1.一种多路况防追尾的车辆智能化调控方法，其特征在于，包括以下步骤：S1利用行车记录仪进的摄像装置基于光学原理实时地监测前车的速度与相对车距，得到目标车辆坐标与相对速度；S2计算自身车辆在所处环境参数下的摩擦系数；S3坐标型神经网络模型建立：输入前车坐标、前车相对速度、滚动摩擦系数，输出车辆追尾的概率值、防追尾速度调整值、自身车辆防追尾调整坐标值、刹车能力值；S4根据坐标型神经网络的输出分别设置阈值进行预警并对车辆进行智能化调控。2.根据权利要求1所述的一种多路况防追尾的车辆智能化调控方法，其特征在于，所述步骤S1包括：S11分别设定摄像机三维坐标系拍摄后所形成的二维图像平面坐标系：将摄像机所在位置作为坐标原点，设三维坐标的x轴和z轴皆在车辆所行使道路的所在平面内，x轴垂直于车辆前进方向，y轴与车辆所行使路面垂直，z轴与车辆前进方向平行；摄像机的位置为设定的三维坐标的轴上；摄像机的光轴方向在y轴与z轴组成的坐标平面内，且与道路平面的夹角为摄像机沿着光轴的方向与道路平面的距离为∈，其中夹角和∈

都为可调节的变量，可根据车辆实际情况进行调节；设h为摄像机安装时距离地面的高度，为已知高度，用O(x*，h*，z*)表示摄像机所能拍摄到的路面的任意点的位置坐标；设置摄像机拍摄后形成的二维图像坐标系，将摄像机的光心G点作为坐标原点，设置横向坐标轴i*、纵向坐标轴j*轴；其中i*轴与x轴为平行关系，j*轴与i*轴和光轴都是垂直关系，用O′(i，j)表示在摄像机拍摄后所形成的二维图像平面的点的坐标；则可用下列公式表示O(x*，h*，z*)与O′(i，j)的映射关系：上述公式中的D表示摄像机的焦距；也可用O(x*，h*，z*)对O′(i，j)进行表示，具体公式如下所示：S12根据摄像机拍摄的图像实时估算所在车辆与前车的车距以及前车相对自身车辆的车速：将前方车辆看作一个点，则这个点在路面上的位置坐标即可用O(x*，h*，z*)表示；对图像中车辆阴影处底端中心点进行标定，记为点O′表示前方车辆的位置点，则这个点在摄像机拍摄后所形成的二维图像的平面坐标也可用O′(i，j)进行表示；将自身车辆与前车的车距记为d，由摄像机成像关系可得到：α表示直线GO与路面即z轴形成的锐夹角；通过激光测距可实时的测出与前车车距d与应的前车相对自身车辆的车速V；则由上可得S13由计算得到的α，分别计算自身车辆与前车的横向距离与纵向距离，即x*、z*的值，由下列公式得出：

由上述公式可得到行车记录仪所拍摄到的前车所形成的二维平面图像坐标O′(i，j)的表示为：

将前车在二维平面中的横向坐标值i和纵向坐标值j和前车的实时前车相对自身车辆的车速V作为一组参数，用于步骤S2的神经网络模型构建中。3.根据权利要求2所述的一种多路况防追尾的车辆智能化调控方法，其特征在于，所述步骤S2包括：用γ表示车辆在环境中与地面产生的摩擦因子的大小程度，γcar1、γcar2、γcar3、γcar4分别表示车辆四个轮胎的摩擦因子，设n＝{1，2，3，4}表示轮胎，任意轮胎用n表示；任意一个轮胎的摩擦因子可用γcarn进行表示，任意轮胎与地面的正向压力值用Fn进行表示；设e＝{1，2，3，4}，Fe表示；γroad表示道路的摩擦因子，用μ表示车辆四个轮胎和道路的总的滚动摩擦系数；则得到车辆与道路的总的滚动摩擦系数的表达式为：其中γcarn、γroad、Fn皆由无线传感器进行实时采集并传输到车辆的计算机中进行计算，σF表示轮胎与地面的正向压力值Fn的方差，σcar表示车辆四个轮胎的摩擦因子的方差。4.根据权利要求3所述的一种多路况防追尾的车辆智能化调控方法，其特征在于，所述步骤S3包括：S31从前车在二维平面中的横向坐标值i和纵向坐标值j和前车的实时前车相对自身车辆的车速V以及车辆的滚动摩擦系数μ，得到变量X＝[i，j，V，μ]；对X＝[i，j，V，μ]进行数据标准化预处理：其中t为参数，且t→∞；得到标准化处理后的数据X’＝[i’，j’，V’，μ’]，将其作为输入变量，输入到本发明所建立的坐标型神经网络中；S32本发明所创建的坐标型神经网络模型结构共有5层：层1为数据输入层C，输入变量为X’＝[i’，j’，V’，μ’]；层2为规则选择层，表示对输入的数据处理规则进行选择处理；层3为第一隐含层；层4为数据融合层；层5为输出层，Y1输出的为追尾事件发生的概率值；S321层1：具有4个神经元，即C＝4，c＝{1，2，3，4}，则任意一个神经元可用c进行表示；输入层的输入为X’＝[i’，j’，V’，μ’]，输出等于输入；S322层2有M神经元，且m＝{1，2，3，...，M}，则任意一个神经元用m进行表示：生成规则函数如下所示：其中u＝{1，2，3，4}，u表示输入量的维度，v＝{1，2，3，...，Cu}，v＝{1，2，3，...，Cu}，v表示输入量的精度，Cu表示第Cu种精度，guv表示规则函数的中心，θuv表示规则函数的宽度，a1、d2为常数，且a1＜a2；层2的输出为其中wcm和bcm为本发明所述的层1到本发明所述的层2的权值和偏置；S323层3为隐含层，有L神经元，任意一个神经元可以用l进行表示；层3任意一个神经元的输出为其中wml和bml分别为层2的第m神经元与层3的第l神经元的连接权值和偏置，为激励函数，且和为一组参数；层3的任意一个神经元的输出为可表示为

S324层4为数据融合层，具有Q神经元，且q＝{1，2，3，...，Q}，任意神经元可用q进行表示；对数据融合层输入的数据进行归一化处理，此处理方式为现有技术，在此不做过多阐述，得到归一化后的数据记为分别求出的均值和方差，分别记为ξq、其计算方式为现有技术，在此不做过多阐

述；层4的数据进行融合后的输出记为：其中为激励函数，wlq和blq分别为层3的第l神经元与层4的第q神经元的连接权值和

偏置，其中k为常数；由上可得出层4的输出为：

S325层5具有4个神经元，其中r＝{1，2，3，…，4}，则任意一个神经元用r进行表示；其中Y1输出的为追尾的概率值、Y2输出的为防追尾速度调整值、Y3为自身车辆防追尾调整坐标值、Y4为刹车能力值；具体计算方式如下所示：Yr＝f1(Qq)×wqr+bqr其中wqr和bqr分别为层4的第q神经元与层5的第r神经元的连接权值和偏置，t为参数；由上述表达式可得：

5.根据权利要求4所述的一种多路况防追尾的车辆智能化调控方法，其特征在于，所述步骤S4包括：S4根据坐标型神经网络的输出分别设置阈值进行预警并对车辆进行智能化调控；通过坐标型神经网络，得到了Y1作为追尾的概率值；设置防追尾预警阈值τ1，当Y1≥τ1时，进行预警，警示驾驶员对车辆进行车辆智能化调整；通过车辆预先设置好的防追尾安全调整方案对车辆进行智能化调控，具体方式为：通过设置的标准速度值调整车辆的速度、通过设置的防追尾方向调整值调整车辆的方位、通过设置的刹车能力安全值调整车辆自身的刹车能力。