OpenCV实战完美实现眨眼疲劳检测！！

目录

1，项目流程

2，代码实现

3，结果展示

---

应用场景主要是在监控系统和驾驶员安全监测中：

1. 监控系统：可以将该项目应用于监控摄像头的视频流中，实时检测闭眼行为。通过实时计算闭眼次数和眼睛长宽比，可以预警或记录监控区域内人员的疲劳程度。当人员频繁闭眼时，可能表明其处于疲劳或注意力不集中状态，系统可以及时发出警报，提醒人员保持警觉。

2. 驾驶员安全监测：可以将该项目应用于车载摄像头的视频流中，实时监测驾驶员的闭眼行为。通过检测驾驶员的眼睛状态，可以判断其是否处于疲劳驾驶状态。当驾驶员频繁闭眼或长时间闭眼时，系统可以发出警报，提醒驾驶员休息或采取措施，以避免危险情况的发生。

这些应用场景可以帮助提高监控系统的效率和驾驶安全性，减少因疲劳驾驶引起的意外事故。同时，也可以用于研究和分析人的视觉习惯和疲劳程度，为相关研究提供数据支持。

1，项目流程

1. 导入工具包和库：

   • 导入所需的工具包和库，包括scipy.spatial.distance用于计算距离，collections.OrderedDict用于保持字典顺序，numpy用于数值计算，argparse用于解析命令行参数，time用于时间相关操作，dlib和cv2用于人脸和图像处理。

2. 定义常量和变量：

   • 定义面部关键点的索引字典FACIAL_LANDMARKS_68_IDXS，包含了不同面部区域的关键点索引。
   • 定义眼睛长宽比的阈值EYE_AR_THRESH和连续闭眼帧数的阈值EYE_AR_CONSEC_FRAMES。
   • 初始化计数器COUNTER和总闭眼次数TOTAL。

3. 加载人脸检测和关键点预测模型：

   • 使用dlib库的get_frontal_face_detector()函数加载人脸检测器。
   • 使用dlib库的shape_predictor加载关键点预测模型，并传入命令行参数中指定的预训练模型路径。

4. 读取视频流：

   • 使用OpenCV的VideoCapture函数读取视频流。
   • 设置合适的宽度并对帧进行缩放，以便在窗口中正确显示。

5. 定义辅助函数：

   • 定义shape_to_np函数，将dlib关键点对象转换为numpy数组，以便更容易处理。

6. 遍历每一帧：

   • 使用read()方法从视频流中读取一帧图像。
   • 对读取到的帧进行预处理，包括调整大小和转换为灰度图像。
   • 使用人脸检测器检测人脸，并返回矩形区域。
   • 遍历每个检测到的人脸：
     • 使用关键点预测模型获取面部关键点，并将其转换为numpy数组。
     • 从面部关键点中提取左眼和右眼区域。
     • 计算左右眼的眼睛长宽比。
     • 绘制眼睛轮廓。
     • 根据眼睛长宽比判断眼睛是否闭合，如果连续几帧都闭眼，则计数器累加。
   • 在帧上显示闭眼次数和眼睛长宽比。
   • 检测键盘输入，如果按下ESC键则退出循环。

7. 释放资源：

   • 关闭视频流和销毁窗口。

这些块组合在一起，实现了从视频流中检测人脸闭眼次数的功能。

2，代码实现

#导入工具包
from scipy.spatial import distance as dist
from collections import OrderedDict
import numpy as np
import argparse
import time
import dlib
import cv2
 
FACIAL_LANDMARKS_68_IDXS = OrderedDict([
	("mouth", (48, 68)),
	("right_eyebrow", (17, 22)),
	("left_eyebrow", (22, 27)),
	("right_eye", (36, 42)),
	("left_eye", (42, 48)),
	("nose", (27, 36)),
	("jaw", (0, 17))
])
 
# http://vision.fe.uni-lj.si/cvww2016/proceedings/papers/05.pdf
def eye_aspect_ratio(eye):
	# 计算距离，竖直的
	A = dist.euclidean(eye[1], eye[5])
	B = dist.euclidean(eye[2], eye[4])
	# 计算距离，水平的
	C = dist.euclidean(eye[0], eye[3])
	# ear值
	ear = (A + B) / (2.0 * C)
	return ear
 
# 输入参数
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--shape-predictor", required=True,
	help="path to facial landmark predictor")
ap.add_argument("-v", "--video", type=str, default="",
	help="path to input video file")
args = vars(ap.parse_args())
 
# 设置判断参数
EYE_AR_THRESH = 0.3
EYE_AR_CONSEC_FRAMES = 3
 
# 初始化计数器
COUNTER = 0
TOTAL = 0
 
# 检测与定位工具
print("[INFO] loading facial landmark predictor...")
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])
 
# 分别取两个眼睛区域
(lStart, lEnd) = FACIAL_LANDMARKS_68_IDXS["left_eye"]
(rStart, rEnd) = FACIAL_LANDMARKS_68_IDXS["right_eye"]
 
# 读取视频
print("[INFO] starting video stream thread...")
vs = cv2.VideoCapture(args["video"])
#vs = FileVideoStream(args["video"]).start()
time.sleep(1.0)
 
def shape_to_np(shape, dtype="int"):
	# 创建68*2
	coords = np.zeros((shape.num_parts, 2), dtype=dtype)
	# 遍历每一个关键点
	# 得到坐标
	for i in range(0, shape.num_parts):
		coords[i] = (shape.part(i).x, shape.part(i).y)
	return coords
 
# 遍历每一帧
while True:
	# 预处理
	frame = vs.read()[1]
	if frame is None:
		break
	
	(h, w) = frame.shape[:2]
	width=1200
	r = width / float(w)
	dim = (width, int(h * r))
	frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA)
	gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
 
	# 检测人脸
	rects = detector(gray, 0)
 
	# 遍历每一个检测到的人脸
	for rect in rects:
		# 获取坐标
		shape = predictor(gray, rect)
		shape = shape_to_np(shape)
 
		# 分别计算ear值
		leftEye = shape[lStart:lEnd]
		rightEye = shape[rStart:rEnd]
		leftEAR = eye_aspect_ratio(leftEye)
		rightEAR = eye_aspect_ratio(rightEye)
 
		# 算一个平均的
		ear = (leftEAR + rightEAR) / 2.0
 
		# 绘制眼睛区域
		leftEyeHull = cv2.convexHull(leftEye)
		rightEyeHull = cv2.convexHull(rightEye)
		cv2.drawContours(frame, [leftEyeHull], -1, (0, 255, 0), 1)
		cv2.drawContours(frame, [rightEyeHull], -1, (0, 255, 0), 1)
 
		# 检查是否满足阈值
		if ear < EYE_AR_THRESH:
			COUNTER += 1
 
		else:
			# 如果连续几帧都是闭眼的，总数算一次
			if COUNTER >= EYE_AR_CONSEC_FRAMES:
				TOTAL += 1
 
			# 重置
			COUNTER = 0
 
		# 显示
		cv2.putText(frame, "Blinks: {}".format(TOTAL), (10, 30),
			cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
		cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30),
			cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
 
	cv2.imshow("Frame", frame)
	key = cv2.waitKey(10) & 0xFF
 
	if key == 27:
		break
 
vs.release()
cv2.destroyAllWindows()

3，结果展示

在视频帧的左上角显示当前累计的闭眼次数

在视频帧的右上角显示当前的眼睛长宽比（EAR）值，保留两位小数。

随着人工智能技术的快速发展，上述项目应用在监控系统和驾驶员安全监测领域的趋势将更加广泛和深入。以下是上述应用未来的趋势和实际意义：

1. 多领域应用：除了监控系统和驾驶员安全监测，该项目也可以应用于其他领域，如医疗、教育等。在医疗领域，该项目可以用于帮助病人更好地进行治疗和康复；在教育领域，可以用于研究学生的注意力集中度和知识理解程度，提高教学效果。

2. 算法优化：随着计算机能力的不断提升，算法也会更加高效和准确。未来，可能会采用更先进的机器视觉和人工智能技术，如深度学习、强化学习等，来优化闭眼检测算法和提高检测精度。

3. 数据安全：由于这类应用需要涉及到用户的个人数据，如视频图像等，因此对于数据安全和隐私保护问题，也需要给予足够的重视。未来，可能会出现更加安全和隐私保护的闭眼检测技术。

总之，上述项目的未来趋势将更加广泛和深入，同时也会带来更多的实际意义。通过对人睡眠状态和疲劳状态的检测和分析，我们能够有效地预防意外事故，提高工作效率和学习效果，使人们生活更加健康和安全。