一种基于图像识别的货车疲劳驾驶检测方法及ADAS装置与流程

一种基于图像识别的货车疲劳驾驶检测方法及adas装置
技术领域
1.本发明涉及车辆技术领域，特别是涉及一种基于图像识别的货车疲劳驾驶检测方法及adas装置。


背景技术：

2.疲劳驾驶是货运中的易发现象，且容易导致极其严重的交通事故。目前关于疲劳驾驶监测，只要是基于驾驶人生理特征的识别和基于驾驶行为的识别，比如通过眨眼识别，嘴巴张合度识别等。此种方式一方面可能需要驾驶员参与与配合，另一方面因为不同驾驶员个体的差异，导致容易出现误判，且容易被驾驶员控制，从而导致监控结果不准确。
3.为此，提出了多种技术方案来改进对疲劳驾驶的检测。中国专利文献cn111703428a公开了一种基于车路协同的疲劳驾驶检测方法。在该方法中，在路侧沿途间隔设置若干个路侧单元1，在车辆上安装车载单元2，通过路侧单元1与车载单元2之间的通讯，实现车辆身份和位置的识别。相邻两路侧单元1之间的间隔距离以信号捕捉范围全程无漏洞为准设计。路侧单元1具有高请摄像头，可以以5hz的固定频率精确捕捉行驶车辆与车道中心线之间的相对横向位移。在该方法中，基于车辆与车道中心线相对横向位移的标准差来确定疲劳指数。
4.一方面，上述的现有技术需要在设置大量的、密集的路侧单元1，才能够实现对疲劳驾驶的检测，成本高且建设周期长，难以实现大的覆盖率。另一方面，采用路侧单元安装的高清摄像头来获取车辆相对于车道中心线的横向偏移，存在较大的困难。尤其是对于车身高度较高的货车而言，因为车身遮挡等原因，是难以实现的。另外，路侧单元安装的摄像头难以兼顾远的检测距离与大的视角，从而，难以通过路侧单元的摄像头对较大范围内(例如500m的道路上)的不同路段处的车辆的横向偏移位置进行检测。
5.目前，对于道路治理而言，货车疲劳驾驶监测是更加常见与需要管控的。因此，希望有一种技术方案来以较小的建设周期、以尽可能大的监控范围、以尽可能准确的方式来实现对货车疲劳驾驶的监测。


技术实现要素：

6.本发明提供一种基于图像识别的货车疲劳驾驶检测方法，所述方法包括下述步骤：
7.步骤s1.基于驾驶室监控摄像机获取的驾驶室内图像，确定驾驶员状态，并根据驾驶员状态，确定检测间隔时长t1；
8.步骤s2.对于每个检测间隔时长t1，执行确定驾驶员疲劳值fa的步骤，所述确定驾驶员疲劳值fa的步骤包括：
9.步骤s21.在预设检测周期t2内，车载前向摄像机以设定的频率f获取前向图像；
10.步骤s22.基于所述前向图像，确定每个
△
t内的车辆横向位移di；以及
11.步骤s23.基于车辆横向位移di确定驾驶员疲劳值fa；
12.步骤s24.根据驾驶员疲劳值fa确定疲劳程度等级。
13.优选地，驾驶员疲劳值fa以下式计算：
[0014][0015]
其中，
[0016]
n为在预设检测周期t2内检测车辆横向位移的次数，n＝m
‑
1，m为在预设检测周期t2内获取的前向图像的帧数；
[0017]
di为在预设检测周期t2内第i次检测的车辆横向位移，其对应第i 1帧前向图像的时刻t
i
相对于第i帧前向图像的时刻t
i
‑1的车辆横向位移；
[0018]
di为有符号的量，向左偏移，di>0，向右偏移，di<0；或者向左偏移，di>0，向右偏移，di<0；
[0019]
||di||为di的绝对值；
[0020]
k为权重系数，0.5≤k≤2；
[0021][0022]
优选地，所述基于图像识别的货车疲劳驾驶检测方法包括检测启动步骤s0，在所述检测启动步骤s0中，监测车速并检测连续驾驶时长tl，在连续驾驶时长tl大于等于设定时长t0的启动条件下，才执行步骤s1和/或步骤s2，
[0023]
如果60min＜t
v＝0
，那么tl＝0；
[0024]
如果15min＜t
v＝0
≤60min，那么tl＝tl
△
t
‑
t
v＝0
；
[0025]
如果5min＜t
v＝0
≤15min，那么tl＝tl
△
t
‑
0.5*t
v＝0
；
[0026]
如果t
v＝0
≤5min，那么tl＝tl
△
t；
[0027]
其中，
[0028]
△
t为经过的时长，
[0029]
t
v＝0
为
△
t中连续的车速为零的时长。
[0030]
优选地，如果驾驶室监控摄像机监控到更换驾驶员，且该驾驶员的前次驾驶时间为1小时之前，则连续驾驶时长tl重新从零开始计算。
[0031]
优选地，步骤s1中确定的驾驶员状态包括正常状态和疲劳状态，对于正常状态确定的检测间隔时长t1＝t1
常
；对于疲劳状态确定的检测间隔时长t1＝t1
疲
，
[0032]
其中，1.5*t1
疲
≤t1
常
≤3*t1
疲
，
[0033]
步骤s24中确定的疲劳程度等级包括轻度疲劳、中度疲劳和重度疲劳，如果在步骤s24中确定的疲劳程度为中度疲劳或重度疲劳，将检测间隔时长t1设置为t1
疲
。
[0034]
优选地，记录更换驾驶员的时间、以及记录各时刻的连续驾驶时长、以及驾驶员疲劳值fa。
[0035]
优选地，所述基于图像识别的货车疲劳驾驶检测方法进一步包括疲劳程度复核步骤s3，在疲劳程度复核步骤s3中，检测车辆行驶左右摆动的摆动周期，如果检测的摆动周期小于设定摆动周期，则确认疲劳程度为重度疲劳，需立即停车休息，
[0036]
其中，以包括下述步骤的方法来检测车辆行驶左右摆动的摆动周期：
[0037]
步骤s31.构建摆动事件序列，以连续多次车辆横向位移di之和的绝对值大于等于设定宽度为一个事件，设所述事件序列中事件的数量为r；
[0038]
步骤s32.确定多个备选周期t，所述备选周期t＜(t2/(r*
△
t))；
[0039]
步骤s33.对于每一个备选周期t，将摆动时间序列分割为多个片段；
[0040]
步骤s34.将分割好的多个片段在对应的备选周期t内进行叠加；
[0041]
步骤s35.获取对应的备选周期t内的每个离散时间点上观测到的事件s
i
(t)；
[0042]
步骤s36，根据步骤s35获得的事件s
i
(t)，获取事件序列经过备选周期t切分后叠加地落在i位置处的分布p
i
(t)；
[0043]
步骤s37，根据p
i
(t)，获取相应的备选周期t的熵h(t)；
[0044]
步骤s38，根据熵h(t)，获取备选周期t的相对熵：kl
*
(p
i
(t)||q
i
(t))；
[0045]
步骤s39，选取数值最小的相对熵对应的备选周期t作为车辆行驶左右摆动的摆动周期。
[0046]
优选地，在云端进行检测车辆行驶左右摆动的摆动周期的相关计算；在车载计算单元算力受限时，将车载前向摄像机以设定的频率f获取前向图像上传至云端，在云端计算驾驶员疲劳值fa。
[0047]
优选地，所述前向摄像机包括两个高度位置相同、且在横向上间隔开的同规格摄像头，以下述方法确定车辆横向位移di：
[0048]
步骤s221.确定第一摄像头获取的前一图像帧pa
i
与当前图像帧pa
i 1
中的共同的固定参照物特征；
[0049]
步骤s222.基于两个摄像头分别获取的前一图像帧pa
i
与pb
i
，形成深度图，在该深度图的基础上，确定所述固定参照物特征与车辆的前一相对横向位置dp；
[0050]
步骤s223.基于两个摄像头分别获取的当前图像帧pa
i 1
与pb
i 1
，形成深度图，在该深度图的基础上，确定所述固定参照物特征与车辆的当前相对横向位置dc；
[0051]
步骤s224.计算当次检测的车辆横向位移di＝dc
‑
dp。
[0052]
优选地，如果在确定驾驶员疲劳值fa的步骤中，检测到转向灯点亮的信号，终止驾驶员疲劳值fa的计算，在转向完成后，重新进行驾驶员疲劳值fa的计算。
[0053]
本发明还提供一种adas装置，所述adas装置包括驾驶室监控摄像机、前向摄像机以及处理单元，所述处理单元执行如上所述的基于图像识别的货车疲劳驾驶检测方法。
[0054]
根据本发明的基于图像识别的货车疲劳驾驶检测方法，无需设置细密的路侧单元来检测车辆的横向位移，而且能够以较小的建设周期、以尽可能大的监控范围、以尽可能准确的方式来实现对货车疲劳驾驶的监测，尤其是实现量化监测。
附图说明
[0055]
图1是现有技术的实现基于车路协同的疲劳驾驶检测方法的系统的示意图。
[0056]
图2是根据本发明一实施例的adas装置的示意性框图。
具体实施方式
[0057]
在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
[0058]
图2是根据本发明一实施例的adas装置的示意性框图。根据本发明实施例的adas装置包括驾驶室监控摄像机、前向摄像机以及处理单元。所述adas装置根据需要还可以包括有线通讯单元、无线通讯单元等，以便与车载控制器、云端服务器等进行通讯。
[0059]
根据本发明实施例的adas装置可以才能任何适当的形状、大小。在一个可选实施例中，adas装置与行车记录仪集成为一体。
[0060]
根据本发明实施例的adas装置可以包括电源或电源装置；还可以包括存储单元，以存储必要的信息。
[0061]
所述处理单元执行根据本发明实施例的基于图像识别的货车疲劳驾驶检测方法。根据本发明实施例的基于图像识别的货车疲劳驾驶检测方法，无需设置细密的路侧单元来检测车辆的横向位移，而且能够以较小的建设周期、以尽可能大的监控范围、以尽可能准确的方式来实现对货车疲劳驾驶的监测，尤其是实现量化监测。
[0062]
根据本发明一实施例的基于图像识别的货车疲劳驾驶检测方法包括下述步骤s1和s2。
[0063]
步骤s1.基于驾驶室监控摄像机获取的驾驶室内图像，确定驾驶员状态，并根据驾驶员状态，确定检测间隔时长t1。
[0064]
驾驶室监控摄像机为车载摄像机，通常安装在货车的驾驶室内，例如，安装在驾驶位的左上方。
[0065]
步骤s1中确定的驾驶员状态例如包括正常状态和疲劳状态(也可以称为疑似疲劳状态)。在正常状态下，可以采用较长的检测间隔时长；在疲劳状态下，可以采用较短的检测间隔时长。
[0066]
例如，在检测到驾驶员的眨眼情况、嘴巴张合情况等正常的情况下(没有闭眼、打哈欠的动作，或者次数较少，频率较低)，确认驾驶员状态为正常状态，此时设置较长的检测间隔时长，例如2分钟、3分钟或者5分钟。而在检测到驾驶员的眨眼情况、嘴巴张合情况等异常的情况下(有闭眼、打哈欠的动作，或者次数较多，频率较高)，确认驾驶员状态为疲劳状态(疑似疲劳状态)，此时设置较短的检测间隔时长，例如1分钟或者30秒。
[0067]
基于驾驶室内图像确定驾驶员状态的方法，可以采用现有技术中的任何适当的方法。例如采用神经网络卷积的方法来识别驾驶员的眨眼、嘴巴张合的相关动作。
[0068]
驾驶室监控摄像机可以是红外摄像机，或者带有红外摄像单元，能够在较暗的光照下获取图像。
[0069]
步骤s2.对于每个检测间隔时长t1，执行确定驾驶员疲劳值fa的步骤。也就是说，在检测间隔时长t1内，并非一定时刻在进行驾驶员疲劳值fa的计算。
[0070]
具体地，所述确定驾驶员疲劳值fa的步骤包括步骤s21
‑
s24。
[0071]
步骤s21.在预设检测周期t2内，车载前向摄像机以设定的频率f获取前向图像。通常，预设检测周期t2小于检测间隔时长t1。例如，预设检测周期t2大体为检测间隔时长t1的三分之一、五分之一、或者更小。
[0072]
需要指出的是，在每个检测间隔时长t1，可以设置仅仅一个预设检测周期t2，也可以设置两个或更多个预设检测周期t2。在设置两个或更多个预设检测周期t2的情况下，可以将算得的驾驶员疲劳值fa以绝对平均或加权平均的方式求平均值。
[0073]
设定的频率f对应于车载前向摄像机的帧率(单位：fps，帧/秒)。通常，设定的频率
f等于或小于车载前向摄像机的帧率。例如，在车载前向摄像机的帧率为20fps的情况下，设定的频率f可以为20、10、5、2、1等。在设定的频率f小于车载前向摄像机的帧率的情况下，仅仅选取车载前向摄像机的部分图像帧。在本发明的实施例中，以f＝10为例进行说明。但是，需要指出的是，本发明不限于此。
[0074]
在设定的频率f＝10的情况下，相邻两帧图片之间的时间间隔
△
t为0.1秒。
[0075]
假设预设检测周期t2＝1分钟，在预设检测周期t2内将获取601帧图像。第一帧图像对应0时刻，第二帧图像对应0
△
t时刻，第i帧图像对应0
△
t*(i
‑
1)时刻，最后一帧图像对应0 t2时刻。
[0076]
步骤s22.基于所述前向图像，确定每个
△
t内的车辆横向位移di。车辆横向位移di即第i 1帧图像对应的车辆位置相对于第i帧图像对应的车辆位置的车辆横向位移(横向位置偏差)。确定两个图像帧中的位置差，可以采用现有技术中的任何适当的方法。例如，采用经过训练的神经网络卷积模型来确定两个图像帧对应的车辆位置的车辆横向位移。
[0077]
步骤s23.基于车辆横向位移di确定驾驶员疲劳值fa。可以采用任何适当的方法来基于车辆横向位移di确定驾驶员疲劳值fa。原则上是，车辆横向位移di越大，驾驶员疲劳值fa越大。
[0078]
例如，
[0079]
或者
[0080][0081]
其中，
[0082]
n为在预设检测周期t2内检测车辆横向位移的次数(例如，n＝600)，n＝m
‑
1，m为在预设检测周期t2内获取的前向图像的帧数(例如，m＝601)；
[0083]
di为在预设检测周期t2内第i次检测的车辆横向位移，其对应第i 1帧前向图像的时刻t
i
相对于第i帧前向图像的时刻t
i
‑1的车辆横向位移；
[0084]
di为有符号的量，向左偏移，di>0，向右偏移，di<0；或者向左偏移，di>0，向右偏移，di<0；
[0085]
||di||为di的绝对值；
[0086][0087]
步骤s24.根据驾驶员疲劳值fa确定疲劳程度等级。
[0088]
为了确定疲劳程度等级，预先建立的疲劳程度定级表，如表1所示。其中f1、f2是根据大量试验统计确定的经验值。
[0089]
表1驾驶员疲劳程度等级表
[0090]
序号驾驶员疲劳值fa疲劳程度等级1fa<f1轻度疲劳2f1≤fa≤f2中度疲劳3f2<fa重度疲劳
[0091]
在根据测得的驾驶员疲劳值fa确定疲劳程度等级后，可以进行相应的处理。例如，进行提醒或报警处理等。在本发明的一个可选实施例中，在轻度疲劳的情况下，不进行报警与提醒。在中度疲劳的情况下，进行间歇性的声光报警，例如，每过设定时长(如3分钟)提醒一次驾驶员，建议驾驶员休息或更换驾驶员。在重度疲劳的情况下，进行持续的声光报警。提醒驾驶员应该靠边停车休息或应该更换驾驶员。
[0092]
在本发明的一个具体实施例中，驾驶员疲劳值fa以下式计算：
[0093][0094]
其中，
[0095]
n为在预设检测周期t2内检测车辆横向位移的次数，n＝m
‑
1，m为在预设检测周期t2内获取的前向图像的帧数；
[0096]
di为在预设检测周期t2内第i次检测的车辆横向位移，其对应第i 1帧前向图像的时刻t
i
相对于第i帧前向图像的时刻t
i
‑1的车辆横向位移；
[0097]
di为有符号的量，向左偏移，di>0，向右偏移，di<0；或者向左偏移，di>0，向右偏移，di<0；
[0098]
||di||为di的绝对值；
[0099]
k为权重系数，0.5≤k≤2；例如，对于空载或轻载货车，取k小于1，例如取k＝0.75。对于满载货车，取k大于1，例如取k＝1.25。默认取k＝1。
[0100][0101]
在刚刚开始驾驶的时候，通常货车司机并不处于较为疲劳的状态。为此可以设置检测启动步骤。在满足启动条件的情况下，才执行后续的驾驶员疲劳值fa计算。
[0102]
具体地，在本发明的一个实施例中，所述基于图像识别的货车疲劳驾驶检测方法包括检测启动步骤s0。在所述检测启动步骤s0中，监测车速并检测连续驾驶时长tl，在连续驾驶时长tl大于等于设定时长t0的启动条件下，才执行步骤s1和/或步骤s2。
[0103]
车速信号例如来自车载轮速传感器，或者来自车载gps定位装置等。连续驾驶时长在本发明中指车辆持续行驶的时间。需要指出的是，车辆因为红灯等因素的短暂停车，不影响连续驾驶时长的计算与统计。
[0104]
连续驾驶时长tl能够具体以下述方法计算。
[0105]
如果60min＜t
v＝0
，那么tl＝0；
[0106]
如果15min＜t
v＝0
≤60min，那么tl＝tl
△
t
‑
t
v＝0
；
[0107]
如果5min＜t
v＝0
≤15min，那么tl＝tl
△
t
‑
0.5*t
v＝0
；
[0108]
如果t
v＝0
≤5min，那么tl＝tl
△
t；
[0109]
其中，
[0110]
△
t为经过的时长，
[0111]
t
v＝0
为
△
t中连续的车速为零的时长。
[0112]
也就是说，如果连续停车时长大于60分钟，连续驾驶时长tl从0开始重新计算。如果连续停车时长小于等于5分钟，连续驾驶时长tl照常计算，或者说不影响连续驾驶时长tl
的计算。如果连续停车时长在5分钟至15分钟的范围内，折半计入连续驾驶时长tl。如果连续停车时长在15分钟至60分钟的范围内，则不计入连续驾驶时长tl。
[0113]
如果更换驾驶员，连续驾驶时长tl也应该从0开始重新计算。在本发明的一个实施例中，如果驾驶室监控摄像机监控到更换驾驶员，且该驾驶员的前次驾驶时间为1小时之前，则连续驾驶时长tl重新从零开始计算。
[0114]
在本发明的一个实施例中，步骤s1中确定的驾驶员状态包括正常状态和疲劳状态，对于正常状态确定的检测间隔时长t1＝t1
常
；对于疲劳状态确定的检测间隔时长t1＝t1
疲
，其中，1.5*t1
疲
≤t1
常
≤3*t1
疲
。
[0115]
步骤s24中确定的疲劳程度等级包括轻度疲劳、中度疲劳和重度疲劳，如果在步骤s24中确定的疲劳程度为中度疲劳或重度疲劳，将检测间隔时长t1设置为t1
疲
。
[0116]
优选地，记录更换驾驶员的时间、以及记录各时刻的连续驾驶时长、以及驾驶员疲劳值fa。
[0117]
优选地，所述基于图像识别的货车疲劳驾驶检测方法进一步包括疲劳程度复核步骤s3，在疲劳程度复核步骤s3中，检测车辆行驶左右摆动的摆动周期，如果检测的摆动周期小于设定摆动周期，则确认疲劳程度为重度疲劳，需提醒驾驶员立即停车休息，
[0118]
其中，以包括下述步骤的方法来检测车辆行驶左右摆动的摆动周期：
[0119]
步骤s31.构建摆动事件序列，具体地，以连续多次车辆横向位移di之和的绝对值大于等于设定宽度为一个事件，设所述事件序列中事件的数量为r。所述设定宽度例如等于车辆宽度的1/10至1/4。或者所述设定宽度为一个固定的数值，例如，0.5米。以所述连续多次车辆横向位移di的最后一个位移的时刻为相应事件的发生时刻。
[0120]
步骤s32.确定多个备选周期t，所述备选周期t＜(t2/(r*
△
t))。需要从这多个备选周期t中选择一个作为检测的摆动周期。
[0121]
实质上，每个备选周期t可以用自然数表示，也可以用时长表示。在自然数表示的方式下，对应的时长是自然数*
△
t。在时长表示的方式下，对应的自然数是时长/
△
t。相应地，设定摆动周期可以用自然数表示，也可以用时长表示。
[0122]
步骤s33.对于每一个备选周期t，将摆动时间序列分割为多个片段。
[0123]
步骤s34.将分割好的多个片段在对应的备选周期t内进行叠加。也就是说，将每个片段都叠在一个备选周期t上。
[0124]
步骤s35.获取对应的备选周期t内的每个离散时间点上观测到的事件s
i
(t)。
[0125]
具体地，利用下式表示长度为t的时间段内每个离散时间点上观测到的事件s
i
(t)：
[0126]
s
i
(t)＝{tmod(t,t)＝i∧i(t)＝1},t＝0,1,...,n
‑
1；i＝0,1,...,t
‑1[0127]
其中，
[0128]
s
i
(t)表示在长度为t的时间段上第i个时刻的发生的事件；
[0129]
mod()表示求余函数；
[0130]
i(t)＝1表示t时刻存在事件；
[0131]
t是待检测的候选周期；
[0132]
t表示序列时间，其取值从0到n
‑
1，n是事件序列的长度；
[0133]
i表示序列时间t除以t的余数，其取值从0到t
‑
1。
[0134]
步骤s36，根据步骤s35获得的事件s
i
(t)，获取事件序列经过备选周期t切分后叠加地落在i位置处的分布p
i
(t)。
[0135]
具体地，利用下式计算事件序列经过候选周期t分割后在一个时间长度t上叠加的分布p
i
(t)：
[0136][0137]
其中，
[0138]
p
i
(t)表示观测在候选周期t中落在i位置处的概率；
[0139]
s
j
(t)表示在长度为t的时间段上第j个时刻的观测到的事件。
[0140]
步骤s37，根据p
i
(t)，获取相应的备选周期t的熵h(t)。备选周期t的熵能够以下式计算，
[0141][0142]
步骤s38，根据熵h(t)，获取备选周期t的相对熵：kl
*
(p
i
(t)||q
i
(t))。备选周期t的相对熵能够以下式计算，
[0143]
kl
*
(p
i
(t)||q
i
(t))＝logt
‑
h(t)
[0144]
其中，q
i
(t)表示均匀分布在t中第i个位置上的概率，q
i
(t)＝1/t。
[0145]
步骤s39，选取数值最小的相对熵对应的备选周期t作为车辆行驶左右摆动的摆动周期。
[0146]
考虑到部分车辆的车载计算能力较低，将部分计算转移至运动进行。例如，在云端进行检测车辆行驶左右摆动的摆动周期的相关计算。此外，在车载计算单元算力受限时，可以将车载前向摄像机以设定的频率f获取前向图像上传至云端，在云端计算驾驶员疲劳值fa。
[0147]
在本发明的一个实施例中，所述前向摄像机包括两个高度位置相同、且在横向上间隔开的同规格摄像头。
[0148]
具体地，所述前向摄像机包括：左目镜头单元、右目镜头单元以及视频处理芯片。左目镜头单元和右目镜头单元的图像传感器的分辨率相同、使用同样的透镜、光圈和靶面参数。视频处理芯片接收来自左目镜头单元和右目镜头单元的两路视频，并对两路视频进行处理以生成深度图。视频处理芯片将左目镜头单元或右目镜头单元的当前帧图片与前一帧图片进行比对，以确定当前位置相对于前一位置的位置偏移。
[0149]
例如，所述左目镜头单元、右目镜头单元处于同一水平面，所述左目镜头单元、右目镜头单元之间距离大于等于10cm。在一个可选实施例中，所述左目镜头单元、右目镜头单元之间距离等于12cm。这有利于更好地形成双目立体视觉，利用双目立体视觉技术来计算视差。双目立体视觉技术即模仿人眼的视觉系统，通过获取不同位置的两个摄像机)拍摄的目标图像，计算目标在图像中的视差。进而获得深度图。深度图是反应场景中目标距离远近的图像，深度图中的每个像素值代表场景中某一点与摄像机之间的距离。从而，左右目之间的上述距离设置，能够在较紧凑的整体摄像机尺寸下，很好的形成双目立体视觉。进而通过与固定参照物的相对位置变化来确定车辆的横向位移。
[0150]
具体地，以下述方法确定车辆横向位移di：
[0151]
步骤s221.确定第一摄像头获取的前一图像帧pa
i
与当前图像帧pa
i 1
中的共同的固定参照物特征；
[0152]
步骤s222.基于两个摄像头分别获取的前一图像帧pa
i
与pb
i
，形成深度图，在该深度图的基础上，确定所述固定参照物特征与车辆的前一相对横向位置dp；
[0153]
步骤s223.基于两个摄像头分别获取的当前图像帧pa
i 1
与pb
i 1
，形成深度图，在该深度图的基础上，确定所述固定参照物特征与车辆的当前相对横向位置dc；
[0154]
步骤s224.计算当次检测的车辆横向位移di＝dc
‑
dp。
[0155]
优选地，如果在确定驾驶员疲劳值fa的步骤中，检测到转向灯点亮的信号，终止驾驶员疲劳值fa的计算，在转向完成后，重新进行驾驶员疲劳值fa的计算。
[0156]
本发明的实施例还提供一种adas装置，所述adas装置包括驾驶室监控摄像机、前向摄像机以及处理单元，所述处理单元执行如上所述的基于图像识别的货车疲劳驾驶检测方法。
[0157]
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。