1.一种基于人工智能的车辆驾驶风险管控方法，其特征在于，包括：
实时接收车辆行驶过程中关于目标驾驶用户的视频流，并获取驾驶场景数据；
提取所述视频流中所述目标驾驶用户的人脸特征，并调用预设的转换模型，将所述人脸特征输入所述转换模型以转化为一维向量数据，将所述一维向量数据作为与所述人脸特征对应的第一驾驶风险评分的数值；
计算所述视频流中所述目标驾驶用户的异常行为评分的数值，以及确定与所述驾驶场景数据对应的第二驾驶风险评分的数值；
基于所述异常行为评分、所述第一驾驶风险评分和所述第二驾驶风险评分，计算关于所述目标驾驶用户的预警分值；
根据所述预警分值确定告警结果，进而基于所述告警结果对所述目标驾驶用户进行告警。
2.根据权利要求1所述的基于人工智能的车辆驾驶风险管控方法，其特征在于，所述提取所述视频流中所述目标驾驶用户的人脸特征的步骤包括：
从所述视频流中提取出包含所述目标驾驶用户的完整人脸的有效帧；
通过多任务卷积神经网络模型检测所述有效帧，从所述有效帧中进一步提取出所述目标驾驶用户的人脸特征。
3.根据权利要求2所述的基于人工智能的车辆驾驶风险管控方法，其特征在于，所述通过多任务卷积神经网络模型检测所述有效帧的步骤之前，所述方法还包括：
调用预设的损失函数；
读取包括若干对相同人脸特征和若干对不同人脸特征的预训数据组，基于所述预训数据组和所述损失函数训练所述多任务卷积神经网络模型。
4.根据权利要求1所述的基于人工智能的车辆驾驶风险管控方法，其特征在于，所述计算所述视频流中所述目标驾驶用户的异常行为评分的数值的步骤包括：
确定时间统计区间和目标异常行为因子；
检测所述视频流在所述时间统计区间内的各个目标异常行为因子的数值；
根据各个目标异常行为因子的数值统计所述目标驾驶用户的异常行为次数，进而以所述异常行为次数确定所述异常行为评分的数值。
5.根据权利要求1所述的基于人工智能的车辆驾驶风险管控方法，其特征在于，所述获取驾驶场景数据的步骤包括：
通过导航系统以预设的单位距离将车辆行程划分为若干段子行程；
在每段子行程中以预设的单位时间为间隔采集所述目标驾驶用户的驾驶场景数据；
所述确定与所述驾驶场景数据对应的第二驾驶风险评分的数值的步骤包括：
调用场景风险评估模型；
将所述驾驶场景数据输入到所述场景风险评估模型中计算第二驾驶风险评分的数值。
6.根据权利要求1所述的基于人工智能的车辆驾驶风险管控方法，其特征在于，所述根据所述预警分值确定告警结果，进而基于所述告警结果对所述目标驾驶用户进行告警的步骤包括：
比较预警分值与预设的多级告警阈值的大小；
确定所述预警分值所属的告警区间，进而根据所述告警区间确定所述预警分值对应的告警等级；
基于所述告警等级对所述目标驾驶用户进行告警。
7.一种基于人工智能的车辆驾驶风险管控装置，其特征在于，包括：
数据获取模块，用于实时接收车辆行驶过程中关于目标驾驶用户的视频流，并获取驾驶场景数据；
人脸特征处理模块，用于提取所述视频流中所述目标驾驶用户的人脸特征，并调用预设的转换模型，将所述人脸特征输入所述转换模型以转化为一维向量数据，将所述一维向量数据作为与所述人脸特征对应的第一驾驶风险评分的数值；
第一计算模块，用于计算所述视频流中所述目标驾驶用户的异常行为评分的数值，以及确定与所述驾驶场景数据对应的第二驾驶风险评分的数值；
第二计算模块，用于基于所述异常行为评分、所述第一驾驶风险评分和所述第二驾驶风险评分，计算关于所述目标驾驶用户的预警分值；
风险告警模块，用于根据所述预警分值确定告警结果，进而基于所述告警结果对所述目标驾驶用户进行告警。
8.根据权利要求7所述的基于人工智能的车辆驾驶风险管控装置，其特征在于，所述人脸特征处理模块还用于：
从所述视频流中提取出包含所述目标驾驶用户的完整人脸的有效帧；
通过多任务卷积神经网络模型检测所述有效帧，从所述有效帧中进一步提取出所述目标驾驶用户的人脸特征。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述的基于人工智能的车辆驾驶风险管控方法的步骤。
10.一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有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的基于人工智能的车辆驾驶风险管控方法的步骤。