使用OpenCV 和 Dlib 实现疲劳检测

文章目录

引言
1.相关技术介绍
2. 系统原理
- 2.1 眼睛纵横比(EAR)算法
- 2.2 系统工作流程
3.代码解析
- 3.1 关键函数说明
- 3.2 主循环逻辑
4.实际应用效果
5.参数调优建议
6.总结

引言

疲劳驾驶是交通事故的主要原因之一。本文将介绍如何使用Python和计算机视觉技术构建一个实时疲劳驾驶检测系统，该系统通过分析驾驶员眼睛状态来判断疲劳程度。这个项目结合了人脸关键点检测、几何计算和状态机逻辑，是一个典型的计算机视觉应用案例。

1.相关技术介绍

Dlib：用于人脸检测和68个关键点定位
OpenCV：视频流处理和图像显示
Scikit-learn：用于计算欧氏距离
Pillow：支持在图像上添加中文文本

2. 系统原理

2.1 眼睛纵横比(EAR)算法

核心算法是计算眼睛的纵横比(Eye Aspect Ratio)，公式如下：

EAR = (|p1-p5| + |p2-p4|) / (2 * |p0-p3|)

其中p1-p6是眼睛周围的6个关键点：

                       p1    p2p0               p3   <------这是眼睛的6个关键点p5    p4

当眼睛睁开时，EAR值较高；闭眼时，EAR值接近0。

2.2 系统工作流程

通过摄像头捕获视频帧
使用Dlib检测人脸和眼睛关键点
计算左右眼的EAR值并取平均
根据EAR阈值判断眼睛状态
持续闭眼超过阈值帧数则触发警报

3.代码解析

3.1 关键函数说明

眼睛纵横比计算：

def eye_aspect_ratio(eye):A = euclidean_distances(eye[1].reshape(1,2), eye[5].reshape(1,2))B = euclidean_distances(eye[2].reshape(1,2), eye[4].reshape(1,2))C = euclidean_distances(eye[0].reshape(1,2), eye[3].reshape(1,2))return ((A + B) / 2.0) / C

A：计算点1和点5之间的欧几里得距离（垂直距离1）
B：计算点2和点4之间的欧几里得距离（垂直距离2）
C：计算点0和点3之间的欧几里得距离（水平距离）
EAR = ((A + B)/2.0)/C：这个公式计算的是眼睛的"高度"（垂直距离的平均值）与"宽度"（水平距离）的比值。

中文文本显示：

def cv2AddChineseText(img, text, position, textColor=(0,255,0), textSize=30):"""向图片中添加中文"""if (isinstance(img,np.ndarray)):   # 判断是否OpenCV图片类型img = Image.fromarray(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))  # 实现array到image的转换draw = ImageDraw.Draw(img) # 在img图片上创建一个绘图的对象# 字体的格式fontStyle = ImageFont.truetype("simsun.ttc",textSize,encoding="utf-8")draw.text(position,text,textColor,font=fontStyle) # 绘制文本return cv2.cvtColor(np.asarray(img),cv2.COLOR_BGR2RGB) # 转换回OpenCV格式

眼睛轮廓绘制：

def drawEye(eye):eyeHull = cv2.convexHull(eye)cv2.drawContours(frame, [eyeHull], -1, (0,255,0), -1)

3.2 主循环逻辑

while True:# 读取视频帧# 人脸检测和关键点定位rightEye = shape[36:42]  # 右眼关键点leftEye = shape[42:48]  # 左眼关键点# 计算EAR值ear = (leftEAR + rightEAR) / 2.0# 疲劳判断逻辑if ear < 0.4:COUNTER += 1if COUNTER >= 30:  # 持续闭眼30帧# 显示警告else:COUNTER = 0  # 重置计数器