1.一种基于智能手机步态识别的危险驾驶行为检测方法，其特征在于，包括以下步骤：
步骤s1、通过用户携带智能手机中的加速度计收集若干用户原始步态数据，所述用户随机抽取，具备存在危险驾驶行为的条件；
步骤s2、将收集到的原始步态数据发送到终端电脑上进行步态数据的预处理；
步骤s3、采用滑动窗口法对原始数据进行分割，以64个样本具有90％重叠的窗口大小来划分，提取特征值；所述特征值包括时域特征值和频域特征值；
步骤s4、采用预设分类算法对提取的特征值进行危险驾驶行为的识别；其中数据集由训练集和测试集构成，训练集占80％，测试集占20％，训练集和测试集文件包含测试者采集到的加速度计x、y、z轴的数据txt文件和相应的危险驾驶行为标签；基于tensorflow框架建立危险驾驶行为识别模型，对模型进行训练和测试；其中建立危险驾驶行为识别分类模型包括如下步骤:
(1)导入模型所需要的库；
(2)数据的导入和预处理；
(3)划分数据集得到训练集和测试集；
(4)定义模型的结构；
(5)训练模型；
(6)预测分类结果；
步骤s5、将所述危险驾驶行为识别模型的终端部署至智能手机终端。
2.根据权利要求1所述的一种基于智能手机步态识别的危险驾驶行为检测方法，其特征在于，所述步骤s2中对原始步态数据的预处理包括如下步骤：
步骤s2.1、当手机处在不同状态下，分别收集加速计数据，使用下式计算n个加速度计读数组的重力校正幅度：
其中x、y、z分别表示加速度计x轴、y轴、z轴的数据，t表示组数；
步骤s2.2、计算10秒窗口大小的加速度计移动平均值。
3.根据权利要求1所述的一种基于智能手机步态识别的危险驾驶行为检测方法，其特征在于，所述步骤s3中提取时域和频域特征值具体步骤如下：
步骤s3.1、计算时域步态特征；在给定的时间间隔内的步数受危险驾驶行为的影响；每个时间窗口的步数可以通过求加速度计信号的重力校正幅度的局部最大值从加速计数据的时间序列中计算得出；
步骤s3.2、计算频域步态特征值；采用离散傅里叶变换如下：
其中n表示傅里叶变换的点数，xn表示采样的模拟信号，k表示傅里叶变换的第k个频谱，xk表示变换后的数据，j表示虚单位。
4.根据权利要求1所述的一种基于智能手机步态识别的危险驾驶行为检测方法，其特征在于，所述步骤s4中采用的预设分类算法选用朴素贝叶斯网络、j48决策树、支持向量机、随机森林中的任意一种。
5.根据权利要求1所述的一种基于智能手机步态识别的危险驾驶行为检测方法，其特征在于，所述步骤s4中建立危险驾驶行为识别模型具体如下：
进行控制实验，收集受试者饮酒数据，获取准确的标记数据；具体地，让受试者喝不同量的酒精，检测其浓度，然后收集他们相应的步态数据。
将采集到的加速度的一维时间序列转换成二维图像，对图像进行特征提取；运用卷积神经网络架构进行处理，实现对危险驾驶行为的识别，将用于可能存在的危险驾驶行为分为吸毒、饮酒、身体不适三种模式；其中饮酒模式分为3种子状态：
(1)清醒状态：0～20mg/100ml；
(2)微醉状态：20mg/100ml～80mg/100ml；
(3)喝醉状态：≥80mg/100ml。
6.一种采用权利要求1-5中任意一项的基于智能手机步态识别的危险驾驶行为检测方法的检测系统，其特征在于：包括数据收集及处理模块、特征值提取模块、危险驾驶行为检测模块和预警模块；所述数据收集与处理模块用于实时采集用户步态数据并对获取的数据进行预处理；所述特征值提取模块用于通过预设的分类算法对所接收的步态数据进行处理以提取步态特征；将提取的步态特征与部署在智能手机终端的危险驾驶行为检测模型进行对比，判断用户危险驾驶行为的类型；所述预警模块用于在移动端显示用户实时的驾驶情况；当用户步态特征与危险驾驶行为检测模型的对比结果显示用户存在危险驾驶行为时，提醒用户禁止驾车。