基于Dlib实现的疲劳识别

一、项目介绍

本项目基于 Python 开发，通过调用 OpenCV、Dlib、Scipy 等库，实现对人脸图像中眼部闭合、打哈欠、点头等行为的监测，从而评估人的疲劳状态。适用于司机、安保、工地人员等高风险工作场景。

系统功能包括：

• 实时采集视频流并进行人脸检测

• 提取关键面部标志点（68 点）

• 计算 EAR（眼睛纵横比）、MAR（嘴巴纵横比）、头部姿态等指标

• 校准个体化阈值，自适应判断疲劳状态

• 中文视觉提示与警告反馈

  

二、技术创新点摘要

1. 动态个性化校准机制：

   • 引入 EAR 个体基准校准阶段，避免固定阈值对不同人群的误判。

2. 多模态疲劳检测逻辑融合：

   • 同时融合眨眼频率、打哈欠持续时间、点头幅度三个维度，提升检测精度与鲁棒性。

3. 图像与中文文字融合显示：

   • 使用 PIL 结合 OpenCV 实现对中文状态信息的叠加显示，提升人机交互友好性。

4. 实时反馈与可视化分析：

   • 显示 EAR、MAR 动态数值与疲劳状态，用户可直观了解监测过程。

三、模型架构设计

四、核心代码讲解

1. EAR / MAR 指标计算：

   def eye_aspect_ratio(eye):
       A = dist.euclidean(eye[1], eye[5]) * 1.5
       B = dist.euclidean(eye[2], eye[4]) * 1.2
       C = dist.euclidean(eye[0], eye[3])
       return (A + B) / (2.0 * C)

2. 头部点头估计（垂直距离）：

   def head_pose_estimation(shape):
       nose_bridge = shape[27]
       chin = shape[8]
       return chin[1] - nose_bridge[1]

3. 个性化阈值校准：

   def head_pose_estimation(shape):
       nose_bridge = shape[27]
       chin = shape[8]
       return chin[1] - nose_bridge[1]

4. 疲劳检测逻辑整合：

   if COUNTER >= EAR_CONSEC_FRAMES * 2:
       fatigue_status = "瞌睡!闭眼"
   elif yawn_counter >= YAWN_CONSEC_FRAMES:
       fatigue_status = "疲劳!打哈欠"
   elif nod_counter >= NOD_CONSEC_FRAMES:
       fatigue_status = "瞌睡!点头"
   elif COUNTER >= EAR_CONSEC_FRAMES:
       fatigue_status = "疲劳!眨眼"
   else:
       fatigue_status = "正常"

五、优缺点评价

广告：

• 高性能海外服务器低至200元/年