1.一种基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，包括如下步骤：
获取包含驾驶员的驾驶室图像样本集，并对所获取的样本集进行图像预处理；
构建并训练mask-rcnn驾驶员背景分割模型，所述mask-rcnn驾驶员背景分割模型包括特征提取模块、目标区域粗提取模块、驾驶员背景分割模块；所述特征提取模块基于深度残差网络resnet进行构建；所述目标区域粗提取模块基于特征金字塔网络fpn、轻量级区域提取网络rpn_tiny、兴趣区域匹配网络roialign进行构建；所述驾驶员背景分割模块基于全连接层网络、卷积层网络、损失函数模块进行构建；
实时采集包含驾驶员的驾驶室图像，通过训练好的mask-rcnn驾驶员背景分割模型对所采集的图像进行分割，将驾驶员从驾驶室的背景中分割出来。
2.根据权利要求1所述的基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，所述特征提取模块包括第一resnet、对第一resnet进行剪枝后所得到的第二resnet、损失函数。
3.根据权利要求2所述的基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，特征提取模块的训练过程具体包括：
将样本集图像分别输入第一resnet、第二resnet，利用第一resnet的输出结果作为监督信号，将第一resnet、第二resnet所输出的特征图像输入损失函数，通过损失函数计算第一resnet和第二resnet的输出误差，基于损失函数的输出结果对第二resnet进行训练，通过训练好的第二resnet获取驾驶员的特征图像。
4.根据权利要求3所述的基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，目标区域粗提取模块的训练过程具体包括：
将驾驶员的特征图像输入fpn，通过fpn将特征图像切分为不同尺度大小的图像；
将不同尺度大小的特征图像输入rpn_tiny，通过rpn_tiny计算驾驶员的目标预选区域，基于不同尺度大小的特征图像以及目标预选区域进行多尺度特征融合，得到特征张量；
将特征张量输入roialign，通过roialign对目标预选区域进行修正，得到调整后的目标区域特征图像。
5.根据权利要求4所述的基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，驾驶员背景分割模块的训练过程具体包括：
将调整后的目标区域特征图像分别输入全连接层网络和卷积层网络，通过全连接层网络对目标区域特征图像中的驾驶员进行目标识别，通过卷积层网络分割驾驶员在目标区域特征图像中的区域；
将驾驶员目标识别结果、驾驶员区域分割结果、样本集图像均输入损失函数模块，进行误差的计算，误差计算结果小于预设阈值，则完成驾驶员背景分割模块的训练。
6.根据权利要求1所述的基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，rpn_tiny通过减少rpn的锚点anchor获得。
7.根据权利要求1所述的基于mask-rcnn改进的驾驶员背景分割方法，其特征在于，所述损失函数模块包括类别损失函数、定位损失函数、平均二值交叉熵损失函数；所述定位损失函数的权重大于所述类别损失函数的权重。