1.一种基于概率修正的驾驶员意图识别方法，其特征在于，该方法包括以下步骤：
s1：采集驾驶行为的数据，包括车辆数据和驾驶员数据，并进行相应的预处理；
s2：获取环境道路信息，选取特征数据，并用多维高斯隐马尔科夫模型(multi-dimensiongaussianhiddenmarkovmodel，mghmm)进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型初始概率p1；
s3：结合环境道路信息和采集的驾驶员数据对驾驶员意图模型初始概率p1进行修正，分别得到修正概率p2和p3；
s4：将修正后的驾驶员意图模型概率p输入由粒子群优化算法(particleswarmoptimization，pso)优化参数后的svm，由pso-svm分类器进行分类识别，从而辨识出最终的驾驶员意图。
2.根据权利要求1所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤s1具体包括以下步骤：
s11：采集包括车辆数据和驾驶员数据的驾驶行为数据；车辆数据包括方向盘转角、方向盘转角变化率、油门开度、制动踏板力、速度、横向速度、纵向速度、横摆角速度、横摆角、俯仰角和侧倾角；驾驶员数据包括驾驶员注视左、右后视镜注视次数、注视时间，驾驶员平均扫视时间、平均扫视角度、平均扫视速度，驾驶员眼部水平运动、垂直运动，驾驶员头部横摆运动、侧倾运动和俯仰运动；
s12：对采集到的数据进行预处理。
3.根据权利要求1所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤s2具体包括以下步骤：
s21：根据高精度地图和环境感知系统获取环境道路信息，选取用于驾驶员意图识别的特征数据；
s22：用训练数据对多种驾驶员意图模型进行训练，采用baum-welch算法求解mghmm模型的参数λ＝(π,a,c,μ,u)，其中π为初始状态概率分布，a为状态转移矩阵，c混合高斯元协方差矩阵，μ为混合高斯元均值矩阵，u为混合高斯元协方差矩阵；
s23：采用前向概率计算观察序列对于mghmm模型的输出概率p1(o|λ)，进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型概率：
其中，αt(i)表示前向概率，n为模型中的状态数，t为观测序列长度。
4.根据权利要求3所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤s21具体包括：从高精度地图中提取的特征数据包括道路的坡度、平整度、附着系数，周围车辆的位置、行驶速度和方向；如在坡度变化较大时油门开度将不作为特征数据；当道路凹凸不平时，俯仰角从特征数据中剔除。
5.根据权利要求3所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤s3具体包括以下步骤：
s31：利用环境感知系统和高精度地图获取的环境道路信息，计算驾驶员修正概率p2；
s32：利用驾驶员数据得到驾驶员意图修正概率p3；
s33：利用mghmm模型输出的初始概率p1和修正概率p2、p3，得到最终的驾驶员意图模型概率p为：p＝p1+p2+p3。
6.根据权利要求5所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤s32具体包括：用统计学方法获得各运动状态和特征与驾驶意图的关联性，并选取关联性强的运动状态和特征作为特征数据，使用mghmm模型识别驾驶员意图，得到驾驶员意图修正概率p3。
7.根据权利要求5所述的基于概率修正的驾驶员意图识别方法，其特征在于，所述步骤s4具体包括以下步骤：
s41：采用pso算法优化支持向量机的惩罚参数c和核函数参数g，得到最优的分类器参数，其中pso算法中粒子通过下式来比较更新速度和位置：
其中，i为任意第i个粒子，i＝1,2,…,n；m为解空间的维度，m＝1,2,…,m，k表示当前迭代进行的次数，第i个粒子的位置为xi＝(xi1,xi2,...,xim)t，速度为vi＝(vi1,vi2,...,vim)t，个体极值为pi＝(pi1,pi2,...,pim)t，群体极值为pg＝(pg1,pg2,...,pgm)t，r1、r2为[0,1]之间的一个随机数，ω为非负的惯性权重因子，c1、c2为学习因子；
s42：利用支持向量机，以多种驾驶员最终意图概率值数组作为输入特征向量，输入到pso-svm分类器中进行分类识别，得到最终的驾驶员意图识别结果，支持向量机的决策函数如下：
其中，在已知样本集g＝{(xi,yi),i＝1,…,l}中，(xi，yi)表示任意第i个样本，αi为拉格朗日乘子，k(x,xi)为支持向量机核函数，b为偏差。