一、核心原理：眼睛纵横比（EAR）
要实现眼部疲劳检测，首先要明确一个核心指标：眼睛纵横比（EAR），这是判断眼睛是否闭合的关键依据。
1. 人脸关键点与眼部区域定位
Dlib 提供的shape_predictor_68_face_landmarks.dat模型能够精准检测人脸 68 个关键点，其中眼部区域的关键点分布如下：
右眼：36~41 号关键点（共 6 个）
左眼：42~47 号关键点（共 6 个）
2. EAR 计算公式
眼睛纵横比的核心思想是：
眼睛睁开时，纵横比保持稳定；
眼睛闭合时，纵向距离会急剧缩小，横向距离基本不变，最终纵横比趋近于 0。
具体计算逻辑（对应眼部 6 个关键点的分布）：
# 1 2
# 0 3 <----眼睛的6个关键点
# 5 4
-
计算纵向两个距离：A（关键点 1 与 5 的欧氏距离）、B（关键点 2 与 4 的欧氏距离）
-
计算横向一个距离：C（关键点 0 与 3 的欧氏距离）
-
纵横比 EAR = (A + B) / (2 * C)（取纵向距离均值再除以横向距离，消除个体眼部尺寸差异）
当 EAR 值低于某个阈值（本文选用 0.3，可根据实际需要调整）时，判定为闭眼状态；若闭眼状态持续超过一定帧数（本文选用 50 帧，对应摄像头帧率约 1~2 秒），则判定为疲劳状态并触发警报。
二、代码实现
1. 导入所需库
import numpy as np
import dlib
import cv2
from sklearn.metrics.pairwise import euclidean_distances # 计算欧氏距离
from PIL import Image, ImageDraw, ImageFont # pip install pillow
2. 核心函数 1：计算眼睛纵横比（EAR）
def eye_aspect_ratio(eye):
'''-------------计算眼睛纵横比（EAR）-------------
# 1 2
# 0 3 <----这是眼睛的6个关键点
# 5 4
'''
# 计算纵向距离A（1与5）、B（2与4）
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))
# 计算横向距离C（0与3）
C = euclidean_distances(eye[0].reshape(1, 2), eye[3].reshape(1, 2))
# 计算纵横比
ear = ((A + B) / 2.0) / C
return ear
注意：
使用euclidean_distances计算欧氏距离，需将单个关键点坐标 reshape 为 (1,2) 格式，满足函数输入要求。
3.辅助函数 1：OpenCV 添加中文文本
def cv2AddChineseText(img, text, position, textColor=(255,0, 0), textSize=50):
"""向图片中添加中文（解决OpenCV不支持中文的问题）"""
if (isinstance(img, np.ndarray)): # 判断是否为OpenCV图片类型（np.ndarray）
img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # BGR转RGB，转换为Pillow图像
draw = ImageDraw.Draw(img) # 创建Pillow绘图对象
# 加载中文字体（simsun.ttc为宋体，需确保环境中有该字体文件）
fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
draw.text(position, text, textColor, font=fontStyle) # 绘制中文文本
return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR) # RGB转BGR，转换回OpenCV图像格式
4. 辅助函数 2：绘制眼部凸包轮廓
def drawEye(eye): # 绘制眼眶凸包
eyeHull = cv2.convexHull(eye)
cv2.drawContours(frame, [eyeHull], -1, (0, 255, 0), 1)
凸包：能够包围所有眼部关键点的最小凸多边形，清晰勾勒出眼睛的轮廓。
绿色细线条（(0,255,0) 为绿色，线宽 1）
5. 主程序：视频流捕获与疲劳检测
# 全局变量：闭眼持续次数统计
COUNTER = 0
# 1. 初始化Dlib检测器与关键点预测器
detector = dlib.get_frontal_face_detector() # 人脸检测器
predictor = dlib.shape_predictor(r"shape_predictor_68_face_landmarks.dat") # 关键点预测器（替换为你的模型路径）
# 2. 初始化摄像头（0为默认摄像头）
cap = cv2.VideoCapture(0)
# 3. 循环读取视频帧，进行实时检测
while True:
ret, frame = cap.read()
if not ret: # 若无法读取帧，退出循环
break
# 4. 检测人脸
faces = detector(frame, 0)
# 5. 遍历每一张检测到的人脸
for face in faces:
# 6. 预测人脸关键点
shape = predictor(frame, face)
# 7. 将关键点转换为NumPy数组（坐标格式：(x,y)）
shape = np.array([[p.x, p.y] for p in shape.parts()])
# 8. 提取左右眼关键点
rightEye = shape[36:42] # 右眼：36~41号关键点
leftEye = shape[42:48] # 左眼：42~47号关键点
# 9. 计算左右眼EAR值
rightEAR = eye_aspect_ratio(rightEye)
leftEAR = eye_aspect_ratio(leftEye)
# 10. 计算平均EAR值（消除单眼遮挡等影响）
ear = (leftEAR + rightEAR) / 2.0
# 11. 疲劳判断逻辑
if ear < 0.3: # 阈值0.3，判定为闭眼
COUNTER += 1 # 累计闭眼帧数
if COUNTER >= 50: # 持续闭眼50帧，触发疲劳警报
frame = cv2AddChineseText(frame, "!!!!!危险!!!!! ", (250, 250), textColor=(0,0,255))
else: # 眼睛睁开，重置闭眼计数器
COUNTER = 0
# 12. 绘制眼部凸包与EAR信息
drawEye(leftEye)
drawEye(rightEye)
info = "EAR: {:.2f}".format(ear[0][0])
frame = cv2AddChineseText(frame, info, (0, 30))
# 13. 显示视频帧
cv2.imshow("Frame", frame)
# 14. 按键退出：Esc键（ASCII码27）
key = cv2.waitKey(1)
if key == 27:
break
# 15. 释放资源
cv2.destroyAllWindows()
cap.release()
运行结果：
注意事项
-
模型路径：需正确配置
shape_predictor_68_face_landmarks.dat的文件路径，否则无法加载关键点模型。 -
字体文件：运行环境需存在
simsun.ttc宋体文件，否则无法显示中文。 -
环境光线：建议在光线充足的环境下运行，光线过暗会影响人脸检测与关键点提取的精度。
-
阈值调整：EAR 阈值（0.3）与闭眼帧数阈值（50）可根据个人眼部特征、摄像头帧率调整，优化检测效果。
-
遮挡问题：佩戴眼镜、头发遮挡眼部等情况，可能会导致关键点提取失败，影响检测精度。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/2401_83998832/article/details/157652265
