一种驾驶姿态检测方法、装置、车辆和存储介质与流程

1.本发明涉及车辆技术领域，特别涉及一种驾驶姿态检测方法、一种驾驶姿态检测装置、一种车辆和一种存储介质。


背景技术：

2.随着车辆工业的发展，车辆已经作为常用代步工具普及到人们的日常生活中。随之道路上行驶的车辆越来越多，发生交通事故的情况也日趋增。其中，如疲劳驾驶、驾驶时玩手机，手离开方向盘等危险驾驶行为时导致交通事故发生的主要原因之一，可见，驾驶员是否安全地驾驶车辆，影响着交通安全，更是影响人们的日常出行安全。因此，需要对驾驶员的驾驶姿态进行准确地检测以此保障人们安全的重要。


技术实现要素：

3.有鉴于此，本发明旨在提出一种驾驶姿态检测方法，以准确地检测出驾驶员的驾驶姿态。
4.为达到上述目的，本发明的技术方案是这样实现的：
5.一种驾驶姿态检测方法，包括:
6.在车辆行驶时，获取针对所述车辆中驾驶员的视频流；
7.识别所述视频流中所述驾驶员对应的人体三维位置点；
8.连接所述人体三维位置点生成三维位置点网络；
9.采用所述三维位置点网络识别所述驾驶员的驾驶姿态。
10.进一步的，还包括：
11.当所述驾驶姿态为预设异常姿态时，降低所述车辆的行驶速度。
12.进一步的，在所述识别所述视频流中所述驾驶员对应的人体三维位置点的步骤之后，所述驾驶姿态检测方法还包括：
13.对所述人体三维位置点进行滤波处理；
14.对滤波处理后的人体三维位置点进行线性插值。
15.进一步的，所述视频流包括多个视频帧，所述识别所述视频流中所述驾驶员对应的人体三维位置点的步骤包括：
16.裁剪所述视频帧，生成驾驶图像；
17.识别所述驾驶图像生成所述驾驶员对应的人体三维位置点。
18.进一步的，所述识别所述驾驶图像生成所述驾驶员对应的人体三维位置点的步骤包括：
19.识别所述驾驶图像中的语义信息以及位置信息；
20.在所述位置信息对应的位置上增加所述语义信息，生成所述人体三维位置点。
21.进一步的，所述采用所述三维位置点网络识别所述驾驶员的驾驶姿态的步骤包括：
22.根据所述语义信息确定所述三维位置点网络中的目标人体三维位置点；
23.基于所述目标人体三维位置点进行姿态分类，确定目标类型；
24.确定所述目标类型对应的姿态为所述驾驶姿态。
25.进一步的，所述基于所述目标三维人体关键点进行姿态分类，确定目标类型的步骤包括：
26.将所述目标人体三维位置点转换为向量；
27.采用预设分类器对所述向量进分类判断，确定目标类型。
28.本发明还提出了一种驾驶姿态检测装置，包括：
29.获取模块，用于在车辆行驶时，获取针对所述车辆中驾驶员的视频流；
30.第一识别模块，用于识别所述视频流中所述驾驶员对应的人体三维位置点；
31.连接模块，用于连接所述人体三维位置点生成三维位置点网络；
32.第二识别模块，用于采用所述三维位置点网络识别所述驾驶员的驾驶姿态。
33.进一步的，所述驾驶姿态检测装置还包括：
34.车辆控制模块，用于当所述驾驶姿态为预设异常姿态时，降低所述车辆的行驶速度。
35.进一步的，所述驾驶姿态检测装置还包括：
36.滤波模块，用于对所述人体三维位置点进行滤波处理；
37.线性插值模块，用于对滤波处理后的人体三维位置点进行线性插值。
38.进一步的，所述视频流包括多个视频帧，所述第一识别模块包括：
39.裁剪子模块，用于裁剪所述视频帧，生成驾驶图像；
40.第一识别子模块，用于识别所述驾驶图像生成所述驾驶员对应的人体三维位置点。
41.进一步的，所述第一识别子模块包括：
42.识别单元，用于识别所述驾驶图像中的语义信息以及位置信息；
43.增加单元，用于在所述位置信息对应的位置上增加所述语义信息，生成所述人体三维位置点。
44.进一步的，所述第二识别模块包括：
45.保留子模块，用于根据所述语义信息确定所述三维位置点网络中的目标人体三维位置点；
46.分类子模块，用于基于所述目标人体三维位置点进行姿态分类，确定目标类型；
47.确定子模块，用于确定所述目标类型对应的姿态为所述驾驶姿态。
48.进一步的，所述分类子模块包括：
49.转换单元，用于将所述目标人体三维位置点转换为向量；
50.分类单元，用于采用预设分类器对所述向量进分类判断，确定目标类型。
51.本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的驾驶姿态检测方法的步骤。
52.相对于现有技术，本发明所述的驾驶姿态检测方法具有以下优势：
53.本发明所述的驾驶姿态检测方法通过在车辆行驶时，获取针对所述车辆中驾驶员的视频流；识别所述视频流中所述驾驶员对应的人体三维位置点；可以针对视频流直接提
出取与驾驶员对应的人体三维位置点，由于每个位置点都具体三维方向的位置信息，可以更加全面的表达人体的位置；以更全面地识别出驾驶员在图像中的位置；连接所述人体三维位置点生成三维位置点网络，以确定三维位置点网络，将人体三维位置点进行连接，来表达人体各部分位置以及关系，采用三维位置点网络识别所述驾驶员的驾驶姿态；更加有效的检测和规范驾驶员的驾驶姿态，从而提高交通出行安全。
附图说明
54.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
55.图1为本发明实施例所述的一种驾驶姿态检测方法步骤流程图；
56.图2为本发明实施例所述的另一种驾驶姿态检测方法步骤流程图；
57.图3为本发明实施例所述的一种三维位置点网络示例图；
58.图4为本发明实施例所述的一种驾驶姿态检测装置实施例的结构框图。
具体实施方式
59.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
60.现有技术中，对驾驶员的驾驶姿态检测主要有两种方法，其中一种是通过在方向盘上设置压力传感器，通过检测驾驶员施加在方向盘上的压力，来检测驾驶员是否双手触摸方向盘。对于如出现身体不适等其他的非正常驾驶姿态并不能有效的检测，存在检测的局限性。另一种是通过图片来判断，通过图片的比对与不同预设姿态的图片进行比对，或者是提出图像二维位置来进行检测，但是，驾驶员的姿态在图片中可能存在错位，会导致检测的准确度不高。因此，提出本发明实施例以提高检测驾驶员姿态的准确度。
61.下面将参考附图并结合实施例来详细说明本发明。
62.参照图1，示出了本发明实施例所述一种驾驶姿态检测方法实施例的步骤流程图，具体可以包括如下步骤：
63.步骤101，在车辆行驶时，获取针对所述车辆中驾驶员的视频流；
64.需要说明的是，本发明实施例可以应用于车辆的车载终端中，也可以应用于与车辆连接云端服务器中；本发明实施例对此不作具体限定。
65.当应用于车载终端时，则通过车载终端检测车内的传感器的信号，来确定车辆是否处于行驶状态，当车辆处于行驶状态时，从指定存储地址中获取针对车辆中驾驶员的视频流。其中，所述指定存储地址可以是车载终端的本地内存中的地址，也可以是采集视频流的传感器的本地内存中的地址，或者是车载终端与采集视频帧的传感器共用的存储空间中的地址；本发明实施例对此不作具体限定。
66.当应用于云端服务器，云端服务器可以通过车辆上传的信息中确定，车辆是否处于车辆行驶状态，当车辆处于行驶状态时，可以从车辆上传的信息中获取针对车辆中驾驶员的视频流。
67.步骤102，识别所述视频流中所述驾驶员对应的人体三维位置点；
68.在获取视频流后，可以对视频流中的采集到驾驶员的部分进行识别，对驾驶员的
肢体位置进行检测，生成当前视频流中驾驶员对应的人体三维位置点网络。
69.步骤103，连接所述人体三维位置点生成三维位置点网络；
70.在得到三维人体关键点后，可以按照预定的连接规则将人体三维位置点进行连接，将多个人体三维位置点连接成一个整体，生成人体三维位置点网络。以人体三维位置点网络表征驾驶员当前的姿态位置信息。
71.步骤104，采用所述三维位置点网络识别所述驾驶员的驾驶姿态。
72.在实际应用中，通过对三维位置点网络划分为多部分，对不同部分进行不同的识别结果，然后将多个识别结果进行决策判断确地出驾驶员的驾驶状态。
73.本发明所述的驾驶姿态检测方法通过在车辆行驶时，获取针对所述车辆中驾驶员的视频流；识别所述视频流中所述驾驶员对应的人体三维位置点；可以针对视频流直接提出取与驾驶员对应的人体三维位置点，由于每个位置点都具体三维方向的位置信息，可以更加全面的表达人体的位置；以更全面地识别出驾驶员在图像中的位置；连接所述人体三维位置点生成三维位置点网络，以确定三维位置点网络，将人体三维位置点进行连接，来表达人体各部分位置以及关系，采用三维位置点网络识别所述驾驶员的驾驶姿态；更加有效的检测和规范驾驶员的驾驶姿态，从而提高交通出行安全。
74.参照图2，示出了本发明实施例所述另一种驾驶姿态检测方法实施例的步骤流程图，具体可以包括如下步骤：
75.步骤201，在车辆行驶时，获取针对所述车辆中驾驶员的视频流；
76.在实际应用中，车辆上可以设置有车载终端，变速器，档位传感器以及车载摄像头。其中，车载终端分别与变速器，档位传感器、车载摄像头连接，即车载终端可以控制变速器，可以接收档位传感器、车载摄像头的数据。对于车辆是否处于行驶状态可以通过档位传感器的信号进行检测。在本发明的一示例中，当车载终端检测到档位传感器信号确定出车辆变速器的档位处于前进挡、倒车档以及空档中的其中一种时，确定车辆处于行驶状态。当车载终端检测到档位传感器信号确定出车辆变速器的档位处于驻车档时则不对驾驶员姿态进行检测。
77.检测到车辆处于行驶状态时，可以获取车载摄像头拍摄的针对所述车辆中驾驶员的视频流。其中，对于车载摄像头的安装位置可以是车辆a柱(a-pillar)内侧、仪表台或是中控台等车辆内饰件中，本发明实施例对此不作具体限定。其中，对此车载摄像头的采集帧率并不做具体限定，在本发明的一示例中，车载摄像头的帧率为30fps(frames per second，每秒传输帧数)以上，使得现有车载摄像头可以满足帧数要求，使得本发明实施例所述的方法适用性更高，可以通过空中下载技术(over-the-air technology，ota)等无线技术即可令现有的车辆进行应用。
78.步骤202，识别所述视频流中所述驾驶员对应的人体三维位置点；
79.在本发明实施例中，可以采用预设的算法对视频流进行识别，识别出驾驶员对应的人体三维位置点。其中，预设的算法包括但不限于：mediapipe3d算法，videopose算法。可以具体地，可以将视频流截取为视频帧作为算法的输入数据，通过预设的算法对视频帧中的人体各肢体部分对应的位置进行计算，确定出对应的人体三维位置点。
80.在本发明的一优选实施例中，所述视频流包括多个视频帧，所述识别所述视频流中所述驾驶员对应的人体三维位置点的步骤包括：
81.子步骤s2021，裁剪所述视频帧，生成驾驶图像；
82.需要说明的是，在实际应用中，可以直接获取车载摄像头采集的针对所述车辆中驾驶员中的视频流，针对采集到的视频流进行截取，得到视频流中的一帧关键帧图像，确定关键帧为视频帧。通过对视频流的直接截取，可以获得更新的视频帧，保证对驾驶员姿态检测的及时性。
83.由于获取的视频帧是针对于驾驶员进行拍摄的，但是车载摄像头的安装位置，视频帧可能会部分采集到副驾或者后排座位等非驾驶员的图像。为降低处理的数据量以及保证识别的准确度，可以对视频帧进行裁剪，以确定视频帧只的人员存在驾驶员，生成驾驶图像。
84.更进一步地，对于视频帧的裁剪可以是固定尺寸裁剪，通过车载摄像头的安装位置，拍摄角度等参数，确定出驾驶员在驾驶车辆时，所在的区域范围对应的视频帧部分，确定所述视频帧部分的尺寸大小以及位置，当对视频帧进行裁剪时，裁剪出所述位置以及对应尺寸大小的驾驶图像。对于视频帧的裁剪还可以人像裁剪，通过对视频帧中的人像进行识别，识别出驾驶员对应的人像部分，对驾驶员对应的人像部分从视频帧中裁剪出来，生成驾驶图像。
85.子步骤s2022，识别所述驾驶图像生成所述驾驶员对应的人体三维位置点。
86.具体地，可以将驾驶图像传入到mediapipe3d算法中，mediapipe3d通过卷积神经网络(convolutional neural networks，cnn)对驾驶图像进行对输入驾驶图像进行识别判断，生成多个三维人体关键点，以所述三维人体关键点作为人体三维位置点。如图3所示，示出了本发明实施例中的一种三维位置点网络示例图，图3中的位置点1-位置点32则是三维人体关键点，当然，由于视频帧并不一定采集到驾驶员的全身图像，本领域技术人员可以根据采集到的视频帧，从32个三维人体关键点，只识别出部分的三维人体关键点来对驾驶员的驾驶姿态进行识别，本发明实施例对此不做具体限定。
87.在本发明的一优选实施例中，所述识别所述驾驶图像生成所述驾驶员对应的人体三维位置点的步骤包括：
88.子步骤s20221，识别所述驾驶图像中的语义信息以及位置信息；
89.在实际应用中，对于驾驶图像中的像素点都可以对应有语义信息，需要说明的是，语义信息可以是指与自然语音相对应的语义信息，如在本发明实施例中，驾驶图像中的像素点对应的语义信息可以是，手，肩膀，头部，躯干等。本领域技术人员可以根据驾驶图像确定对应的语义信息。
90.可以针对驾驶图像中进行识别，确定出驾驶图像中语义信息，以及语义信息对应的位置信息，以确定驾驶员每一部分的肢体都可以识别到。其中，位置信息包括图像平面所在二维位置信息，和垂直于图像平面的深度信息，即位置信息是一个处于三维空间的三维位置信息。以确定出驾驶图像中驾驶员具体的肢体以及肢体对应的三维位置。
91.子步骤s20222，在所述位置信息对应的位置上增加所述语义信息，生成人体三维位置点。
92.在确定出位置信息和语义信息后，可以采用与位置信息相同的坐标系，在位置信息对应的位置上，增加语义信息，生成三维人体关键点，并确定所述三维人体关键点确定为人体三维位置点。以人体三维位置点确定出其具体所表征的人体部分。此外，还可以是采用
与位置信息不同的坐标系，此时可以根据位置信息的原坐标系与该坐标系的映射关系，将位置信息对应的位置映射至该坐标系中，在该坐标系中与位置信息对应的位置上增加语义信息，生成三维人体关键点。
93.步骤203，对所述人体三维位置点进行滤波处理；
94.在实际应用过程中，识别回归出来的人体三维位置点，会有偏移和不准确的问题。因此，可以在得到人体三维位置点后，可以先对人体三维位置点进行滤波处理，对噪声进行滤除，其中，滤波处理可以只采用一种滤波方法对人体三维位置点进行滤波处理，也可以采用的多种不同的滤波方法对人体三维位置点进行滤波处理。本发明实施例对此不作具体限定。在本发明的一优选示例中，可以对识别出来的人体三维位置点，使用低通滤波和卡尔曼滤波进行滤波处理。对于低通滤波可以采用巴特沃斯滤波器，巴特沃斯滤波器是滤波器的一种设计分类，其采用的是巴特沃斯传递函数，有高通、低通、带通、带阻等多种滤波器类型。通过采用其低通滤波类型进行低通滤波。对于卡尔曼滤波(kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，卡尔曼滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。
95.步骤204，对滤波处理后的人体三维位置点进行线性插值。
96.在进行滤波处理后的人体三维位置点可能存在一定的失真；可以对滤波处理后的人体三维位置点进行线性插值，对人体三维位置点的信息进行补充使得进行滤波处理以及线性插值后的人体三维位置点更加准确的表达人体中各个肢体的位置信息，进一步地提高检测的准确性。
97.步骤205，连接所述人体三维位置点生成三维位置点网络；
98.在实际应用中，由于视频流包括多个视频帧，可以按照预定的连接规则将每一个视频帧得到的人体三维位置点进行连接，将每一个视频帧中的多个人体三维位置点连接成一个整体，生成单个三维位置点网络。再继续连接下一视频帧的人体三维位置点生成另一个三维位置点网络，从而生成多个三维位置点网络。对于三维位置点网络可以如图3所示，则是将多个人体三维位置点按照位置点的顺序进行连接生成一个描述人体数据的人体三维位置点网络。
99.需要说明的是，所述连接规则本领域技术人员可以根据识别到的三维人体关键点的关系进行确定，如按照位置点的定义，位置点的识别先后顺序等，本发明实施例对此不作具体限定。
100.步骤206，采用所述三维位置点网络识别所述驾驶员的驾驶姿态；
101.在本发明实施例中，可以对三维位置点网络进行分类决策判断，识别出驾驶员的驾驶姿态。具体地，对于分类决策判断可以采用多种不同的神经网络模型进行，如svm(support vector machines，支持向量机)；决策树(decision tree)；nn(神经网络算法)以及随机森林(random forest)进行。在本发明的一优选示例中，采用随机森林进行分类判断，确定驾驶姿态。
102.在本发明的一优选实施例中，所述采用所述三维位置点网络识别所述驾驶员的驾驶姿态的步骤包括：
103.子步骤s2061，根据所述语义信息确定所述三维位置点网络中的目标人体三维位置点；
104.由于对于姿态检测，可以只通过驾驶员的手部、肩膀以及头部三部分的人体三维位置点即可确定，因此，在进行识别前，可以通过人体三维位置点的语义信息，从三维位置点网络中确定出目标人体三维位置点。对于选取目标人体三维位置点的方式可以根据手部、肩膀以及头部三部分的三维人体关键点设定筛选规则，然后将人体三维位置点网络中的全部三维人体关键点进行筛选，确定出目标三维人体关键点。此外，由于三维位置点网络存在多个，可以针对每一个三维位置点网络中的三维位置点进行筛选，确定每一个三维位置点网络中的目标人体三维位置点。
105.子步骤s2062，基于所述目标人体三维位置点进行姿态分类，确定目标类型；
106.在确定出手部、肩膀以及头部对应的目标人体三维位置点后，可以针对单个三维位置点网络，将其中的目标人体三维位置点割裂出来形成目标人体三维位置点对应的位置点网络，针对该位置点网络进行分类判断，确定该位置点网络对应姿势类型。
107.在本发明的一优选实施例中，所述基于所述目标人体三维位置点进行姿态分类，确定目标类型的步骤包括：
108.子步骤s20621，将所述目标人体三维位置点转换为向量；
109.首先，可以将目标人体三维位置点转换为向量，具体地，所述向量可以是三维向量，即将目标人体三维位置点转换为一组三维向量以进行处理。
110.子步骤s20622，采用预设分类器对所述向量进分类判断，确定目标类型。
111.在实际应用中，可以采用随机森林对向量进行分类判断，进一步地，即可以采用随机森林中多个不同的分类器，通过将一组三维向量输入至不同的分类器，不同的分类器给出对应的类型结果，综合多个类型结果，选择概率最高的类型结果确定为目标类型。
112.子步骤s2063，确定所述目标类型对应的姿态为所述驾驶姿态。
113.不同的类型结果对应着不同的姿势，如双手紧握方向盘类型，单手握方向盘类型，驾驶视线聚焦于车辆前方类型，驾驶员打电话类型，驾驶员打电话抽烟类型等。根据识别出的目标类型，确定出目标类型对应的姿态，确定为驾驶员的驾驶状态。
114.步骤207，当所述驾驶姿态为预设异常姿态时，降低所述车辆的行驶速度。
115.由于检测的过程是不断的检测，即使在车辆行驶阶段都对驾驶员的驾驶姿态进行检测，因此，可以检测完成后，对驾驶姿态进行判断，确定当前的驾驶姿态是否为预设异常姿态，如危险驾驶姿态，或者无意识控制车辆驾驶姿态等，并在此时，接管车辆的控制，对车辆进行直接的自动驾驶控制。如检测到驾驶员出现无意识驾驶姿态时，保持车辆当前速度，并在安全区域开始减速直至停车。或是检测到驾驶员出现危险驾驶姿态时，给与警告，并且强制减速。
116.本发明所述的驾驶姿态检测方法通过在车辆行驶时，获取车载摄像头针对所述车辆中驾驶员的视频流；且车载摄像头的帧率为30fps(frames per second，每秒传输帧数)以上，使得现有车载摄像头可以满足帧数要求，能采用本发明实施例应用于现有车辆中，进行有效的检则；识别所述视频流，生成所述驾驶员对应的人体三维位置点；以人体三维位置点表征人体位置，且由于每个位置点都具体三维方向的位置信息，可以更加全面的表达人体的位置；对识别回归出来的人体三维位置点进行滤波处理以及线性插值，提高人体三维
位置点的准确度，再连接人体三维位置点生成三维位置点网络，来表达人体各部分位置以及关系，采用人体三维位置点网络识别所述驾驶员的驾驶姿态；更加有效的检测和规范驾驶员的驾驶姿态；在出现异常驾驶姿态时，可以对车辆进行控制，避免交通事故的发生，从而提高交通出行安全。
117.为了使本领域技术人员能够更好地理解本发明实施例，下面通过一个例子对本发明实施例加以说明：
118.1、首先，通过车载终端通档位信息判断是否需要开启驾驶员的姿态检测：
119.当处于p(驻车)档的时候，关闭检测。车辆处于非p档时，开始检测驾驶员姿态。
120.2、在开始检测时，可以通过获取与车载终端连接的车载摄像头中采集车内视频流，对车内视频进行裁剪保证视频中只有驾驶位置出现在视频中。将每一帧的视频传入到mediapipe3d(算法)中，输出3d关键点(人体三维位置点)，并对3d关键点进行连接生成三维位置点网络。
121.3、将mediapipe3d输出的3d关键点，保留头部，手部，肩部部分输入到训练好的随机森林中，判断驾驶员姿态。
122.4、如果发现有不安全的驾驶姿态时，通过警告和减速来提醒驾驶员。
123.参照图4，示出了本发明实施例所述一种驾驶姿态检测装置实施例的结构框图，具体可以包括如下模块：
124.获取模块401，用于在车辆行驶时，获取针对所述车辆中驾驶员的视频流；
125.第一识别模块102，用于识别所述视频流中所述驾驶员对应的人体三维位置点；
126.连接模块403，用于连接所述人体三维位置点生成三维位置点网络；
127.第二识别模块404，用于采用所述三维位置点网络识别所述驾驶员的驾驶姿态。
128.本发明的一优选实施例中，所述驾驶姿态检测装置还包括：
129.车辆控制模块，用于当所述驾驶姿态为预设异常姿态时，降低所述车辆的行驶速度。
130.本发明的一优选实施例中，所述驾驶姿态检测装置还包括：
131.滤波模块，用于对所述人体三维位置点进行滤波处理；
132.线性插值模块，用于对滤波处理后的人体三维位置点进行线性插值。
133.本发明的一优选实施例中，所述视频流包括多个视频帧，所述第一识别模块402包括：
134.裁剪子模块，用于裁剪所述视频帧，生成驾驶图像；
135.第一识别子模块，用于识别所述驾驶图像生成所述驾驶员对应的人体三维位置点。
136.本发明的一优选实施例中，所述第一识别子模块包括：
137.识别单元，用于识别所述驾驶图像中的语义信息以及位置信息；
138.增加单元，用于在所述位置信息对应的位置上增加所述语义信息，生成所述人体三维位置点。
139.本发明的一优选实施例中，所述第二识别模块404包括：
140.保留子模块，用于根据所述语义信息确定所述三维位置点网络中的目标人体三维位置点；
141.分类子模块，用于基于所述目标人体三维位置点进行姿态分类，确定目标类型；
142.确定子模块，用于确定所述目标类型对应的姿态为所述驾驶姿态。
143.本发明的一优选实施例中，所述分类子模块包括：
144.转换单元，用于将所述目标人体三维位置点转换为向量；
145.分类单元，用于采用预设分类器对所述向量进分类判断，确定目标类型。
146.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
147.本发明实施例还提供了一种车辆，包括：
148.处理器和存储介质，所述存储介质存储有所述处理器可执行的计算机程序，当车辆运行时，所述处理器执行所述计算机程序，以执行如本发明实施例任一项所述的方法。具体实现方式和技术效果与方法实施例部分类似，这里不再赘述。
149.本发明实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如本发明实施例任一项所述的方法。具体实现方式和技术效果与方法实施例部分类似，这里不再赘述。
150.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
151.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。