### 基于 OpenCV 和 dlib 的 EAR 阈值敏感性分析及误报率曲线绘制 #### 工具介绍 OpenCV 是一种强大的计算机视觉库，支持多种图像处理操作；而 dlib 提供了高效的人脸检测和特征点定位功能。两者的结合非常适合用于实时眼睛状态监测任务[^1]。 #### 数据收集阶段 首先需要构建一个数据集，在该数据集中记录每次眨眼事件发生前后的EAR值变化情况。这一步骤可通过录制视频流并逐帧提取眼部区域完成。具体做法如下： - 利用 dlib 中的人脸识别器 `shape_predictor_68_face_landmarks.dat` 获取人脸上的关键点位置； - 根据这些关键点计算双眼各自的EAR值； - 将每一时刻的EAR数值存储下来以便后续统计分析。 #### 敏感度测试流程设计 为了探究不同EAR阈值下系统表现差异，应当执行多次试验运行，并针对每一次设定特定初始条件（即固定某个候选EAR作为判断依据）。对于每种配置组合重复足够次数之后汇总结果形成最终报告表格形式展示出来即可满足需求[^2]。 #### Python 实现方案 下面是具体的Python代码片段用来演示整个过程： ```python import cv2 from scipy.spatial import distance as dist from imutils import face_utils import numpy as np import matplotlib.pyplot as plt # 加载dlib模型文件路径 PREDICTOR_PATH = "path/to/shape_predictor_68_face_landmarks.dat" detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor(PREDICTOR_PATH) def eye_aspect_ratio(eye): A = dist.euclidean(eye[1], eye[5]) B = dist.euclidean(eye[2], eye[4]) C = dist.euclidean(eye[0], eye[3]) ear = (A + B) / (2.0 * C) return ear cap = cv2.VideoCapture(0) all_ears = [] labels = [] while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) rects = detector(gray, 0) for rect in rects: shape = predictor(gray, rect) shape = face_utils.shape_to_np(shape) leftEye = shape[36:42] rightEye = shape[42:48] leftEAR = eye_aspect_ratio(leftEye) rightEAR = eye_aspect_ratio(rightEye) avgEar = (leftEAR + rightEAR)/2 all_ears.append(avgEar) # 这里可以根据实际情况标注是否闭眼标签 labels.append(int(input("Is the person blinking? Enter 1 or 0 :"))) key = cv2.waitKey(1) & 0xFF if key == ord('q'): break cap.release() unique_thresolds = list(set(all_ears)) false_positive_rates = [] for thresold in unique_thresolds : fp_count = sum([l==0 and e<thresold for l,e in zip(labels,all_ears)]) total_negatives = len([i for i in labels if i==0]) fpr = fp_count/(total_negatives+np.finfo(float).eps) false_positive_rates.append(fpr) plt.figure(figsize=(8,6)) plt.plot(unique_thresolds,false_positive_rates,'bo-',label='False Positive Rate') plt.title('EAR Threshold vs FPR Curve') plt.xlabel('EAR Threshold'); plt.ylabel('FPR') plt.legend(); plt.grid(True); plt.show(); ``` 上述程序实现了从摄像头捕获画面、计算EAR值直至最后画出EAR阈值同假阳性比率之间关联性的全过程[^3]。 ---