1.一種駕駛員行為識別方法，其特征在于，包括：
獲取待處理圖像；
利用目標(biāo)分類器對所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域；
采用指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到目標(biāo)行為。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述指定神經(jīng)網(wǎng)絡(luò)模型包含N個行為屬性的層級結(jié)構(gòu)，每一個屬性均包含三個卷積層，每一個卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述采用指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到目標(biāo)行為，包括：
采用所述指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到所述N個得分；
分別將所述N個得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個得分，所述M個得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；
將所述M個得分中的最高得分對應(yīng)的行為屬性確定為所述目標(biāo)行為。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述采用指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到目標(biāo)行為，包括：
采用所述指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到所述N個得分；
確定出所述N個得分中的最高得分；
在所述最高得分大于第二預(yù)設(shè)閾值時，將所述最高得分對應(yīng)的行為屬性確定為所述目標(biāo)行為。
5.根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，所述獲取待處理圖像之前，所述方法還包括：
獲取正樣本集和負(fù)樣本集；
采用HOG特征對所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個特征向量；
利用所述多個特征向量構(gòu)造弱分類器；
利用級聯(lián)的Adaboost算法對所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。
6.一種終端，其特征在于，包括：
第一獲取單元，用于獲取待處理圖像；
第一訓(xùn)練單元，用于利用目標(biāo)分類器對所述待處理圖像進(jìn)行訓(xùn)練，得到所述待處理圖像中的駕駛員區(qū)域；
識別單元，用于采用指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到目標(biāo)行為。
7.根據(jù)權(quán)利要求6所述的終端，其特征在于，所述指定神經(jīng)網(wǎng)絡(luò)模型包含N個行為屬性的層級結(jié)構(gòu)，每一個屬性均包含三個卷積層，每一個卷積層都包括卷積操作、歸一化操作、線性修正激活函數(shù)和池化操作，所述N為正整數(shù)。
8.根據(jù)權(quán)利要求7所述的終端，其特征在于，所述識別單元包括：
第一識別模塊，用于采用所述指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到所述N個得分；
比較模塊，用于分別將所述N個得分中每一得分與第一預(yù)設(shè)閾值進(jìn)行比較，得到M個得分，所述M個得分均大于所述第一預(yù)設(shè)閾值，所述M為小于或等于所述N的整數(shù)；
第一確定模塊，用于將所述M個得分中的最高得分對應(yīng)的行為屬性確定為所述目標(biāo)行為。
9.根據(jù)權(quán)利要求7所述的終端，其特征在于，所述識別單元包括：
第二識別模塊，用于采用所述指定神經(jīng)網(wǎng)絡(luò)模型對所述駕駛員區(qū)域進(jìn)行識別，得到所述N個得分；
第二確定模塊，用于確定出所述N個得分中的最高得分；
所述第二確定單元，還具體用于：
在所述最高得分大于第二預(yù)設(shè)閾值時，將所述最高得分對應(yīng)的行為屬性確定為所述目標(biāo)行為。
10.根據(jù)權(quán)利要求6至9任一項所述的終端，其特征在于，所述終端還包括：
第二獲取單元，用于在所述第一獲取單元獲取待處理圖像之前，獲取正樣本集和負(fù)樣本集；
表征單元，用于采用HOG特征對所述正樣本集和所述負(fù)樣本集進(jìn)行表征，得到多個特征向量；
構(gòu)造單元，用于利用所述多個特征向量構(gòu)造弱分類器；
第二訓(xùn)練單元，用于利用級聯(lián)的Adaboost算法對所述弱分類器進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。