### 关于 OpenCV 和 Dlib 的疲劳驾驶检测实车测试 在实际应用中，基于 OpenCV 和 dlib 构建的疲劳驾驶检测系统需要经过严格的实车测试来验证其性能和可靠性。以下是关于如何设计并实施此类系统的实车测试方法及相关示例。 #### 测试环境准备 为了确保测试的有效性，需搭建一个完整的测试平台。这通常包括硬件设备的选择以及软件配置的优化。具体来说： - **摄像头安装位置**：选择合适的车内摄像头安装位置至关重要，应确保摄像头可以清晰捕捉驾驶员面部特征而不受光线变化的影响[^1]。 - **光照条件控制**：考虑到不同时间段内的光照差异可能影响算法表现，在白天、夜晚等多种条件下分别开展实验是非常必要的[^2]。 #### 数据采集与标注 数据的质量直接影响模型训练效果及最终部署后的精度。因此，在正式进入实车测试前还需要完成高质量的数据集构建工作： - **多样化样本收集**：除了正常驾驶状态外，还需特别关注闭眼、打哈欠等典型疲劳行为场景下的视频片段获取[^3]。 - **精确标签定义**：每一段录制好的素材都需要由人工仔细审查并标记出对应的时间戳及其所属类别（如“睁眼”、“闭眼”）以便后续分析使用。 #### 性能评估指标设定 针对所提出的解决方案制定合理的评价标准有助于全面了解系统优劣之处： - **准确率计算**：对比预测结果与真实情况之间的吻合程度得出总体正确比例作为衡量依据之一； - **响应时间测量**：记录从捕获图像帧至发出警报信号所需耗时长短反映实时处理能力； ```python import cv2 from imutils import face_utils import numpy as np import dlib def calculate_eye_aspect_ratio(eye): A = np.linalg.norm(eye[1] - eye[5]) B = np.linalg.norm(eye[2] - eye[4]) C = np.linalg.norm(eye[0] - eye[3]) ear = (A + B) / (2.0 * C) return ear 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"] EYE_AR_THRESH = 0.3 EYE_AR_CONSEC_FRAMES = 3 COUNTER = 0 TOTAL = 0 cap = cv2.VideoCapture(0) 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[lStart:lEnd] rightEye = shape[rStart:rEnd] leftEAR = calculate_eye_aspect_ratio(leftEye) rightEAR = calculate_eye_aspect_ratio(rightEye) ear = (leftEAR + rightEAR) / 2.0 if ear < EYE_AR_THRESH: COUNTER += 1 if COUNTER >= EYE_AR_CONSEC_FRAMES: TOTAL += 1 cv2.putText(frame, "ALERT! You are sleepy.", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) else: COUNTER = 0 cv2.imshow("Frame", frame) key = cv2.waitKey(1) & 0xFF if key == ord("q"): break cv2.destroyAllWindows() cap.release() ``` 此代码展示了如何利用 OpenCV 和 dlib 来监测眼睛的状态，并当发现持续一段时间的眼睛闭合现象时触发警告消息。 ---