### 使用OpenCV实现疲劳驾驶检测 #### 疲劳驾驶检测原理 疲劳驾驶检测主要依赖于面部特征点的识别，特别是眼部区域的变化。通过监测驾驶员的眼睛状态，可以判断其是否存在打瞌睡的情况。具体来说，可以通过计算眼睛纵横比(EAR)来评估眼睛闭合程度。当EAR低于某个阈值并持续一定时间，则认为司机可能处于疲劳状态。 #### 面部与眼睑位置检测 为了获取准确的眼部坐标用于后续处理，通常先利用预训练好的模型对面部进行定位，并提取出双眼的关键点位置。这里可以选择多种方法完成初步的脸部捕捉工作： - **Haar级联分类器**：这是一种简单快速的方法，在光线条件较好情况下表现稳定[^1]。 - **Dlib HOG+SVM**：相比前者具有更高的精度，尤其适合复杂背景下的脸部追踪任务[^2]。 一旦获得了人脸轮廓及其内部器官的具体位置后，就可以进一步聚焦到每只眼睛上的六个特定标志点了——它们分别是眼角以及上下眼皮边缘处各三个节点。 #### 计算眼睛纵横比（EAR） 根据上述提到的研究成果，定义了一种衡量单侧眼球开合度量的方式即EAR公式: ```python def eye_aspect_ratio(eye): # 计算垂直方向上两点之间的欧氏距离 A = dist.euclidean(eye[1], eye[5]) B = dist.euclidean(eye[2], eye[4]) # 计算水平方向两端点间的直线长度 C = dist.euclidean(eye[0], eye[3]) # EAR 值由两个垂直距离之和除以两倍的水平距离得到 ear = (A + B) / (2.0 * C) return ear ``` 此函数接收一个包含六组二维坐标的列表作为输入参数`eye`,代表一只眼中各个重要部位的位置；返回的是该只眼睛当前时刻对应的EAR数值。 #### 判断是否发生困倦现象 设定合理的EAR临界线EYE_AR_THRESH 和连续帧数 EYE_AR_CONSEC_FRAMES ，如果某段时间内多次测量所得平均EAR小于等于给定界限，则触发警报提示可能存在疲乏状况。 ```python import cv2 from scipy.spatial import distance as dist import dlib # 初始化变量 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') (lStart, lEnd) = face_utils.FACIAL_LANDMARKS_IDXS["left_eye"] (rStart, rEnd) = face_utils.FACIAL_LANDMARKS_IDXS["right_eye"] vs = VideoStream(src=0).start() while True: frame = vs.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[lStart:lEnd] rightEye = shape[rStart:rEnd] leftEAR = eye_aspect_ratio(leftEye) rightEAR = eye_aspect_ratio(rightEye) ear = (leftEAR + rightEAR) / 2.0 if ear < EYE_AR_THRESH: COUNTER += 1 if COUNTER >= EYE_AR_CONSEC_FRAMES: ALARM_ON = True else: COUNTER = 0 ALARM_ON = False key = cv2.waitKey(1) & 0xFF if key == ord("q"): break cv2.destroyAllWindows() vs.stop() ``` 这段代码实现了完整的疲劳监控流程，包括但不限于视频流读取、灰度转换、人脸识别及关键点预测等功能模块。需要注意的是实际应用前还需调整部分超参如 `EYE_AR_THRESH` 和 `EYE_AR_CONSEC_FRAMES` 的大小以适应不同场景需求。