Python基于OpenCV的实时疲劳检测

告别疲劳驾驶:用Python+OpenCV+Dlib实现一个简易的实时疲劳检测系统(附完整代码) 本文介绍如何使用Python+OpenCV+Dlib实现一个实时疲劳检测系统,通过面部关键点检测和眨眼检测技术,实时监测司机眼部状态,当检测到疲劳驾驶行为时自动触发警报。系统采用眼睛纵横比(EAR)算法,结合Real-Time视频处理,为驾驶安全提供智能预警解决方案。 阅读详情

Python基于OpenCV的实时疲劳检测

2.png


3.png

2.检测方法

1)方法 与用于计算眨眼的传统图像处理方法不同,该方法通常涉及以下几种组合:

1、眼睛定位。 2、阈值找到眼睛的白色。 3、确定眼睛的“白色”区域是否消失了一段时间(表示眨眼)。 相反,眼睛长宽比是一种更为优雅的解决方案,它涉及基于眼睛面部轮廓之间的距离之比的非常简单的计算。

参考该博客,这种眨眼检测方法快速,高效且易于实现。

(2)眼睛纵横比 我们可以应用脸部界标检测来定位脸部重要区域,包括眼睛,眉毛,鼻子,耳朵和嘴巴 这也意味着我们可以通过了解特定面部部分的索引来提取特定面部结构: 在眨眼检测方面,我们只对两套面部结构感兴趣:眼睛。 每只眼睛都由6 (x,y)坐标表示,从坐标的左角开始(就像您在看那个人一样),然后沿该区域的其余部分顺时针旋转:

4.png

基于此图像,我们应该取消关键点: 这些坐标的宽度和高度之间存在关系。 根据Soukupová和Čech在2016年的论文《使用面部地标进行实时眼睛眨眼检测》的工作,我们可以得出一个反映这种关系的方程,称为眼睛纵横比(EAR):

5.png

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

其中p1,…,p6是2D面部界标位置。

该方程的分子计算垂直眼界标之间的距离,而分母计算水平眼界标之间的距离,对分母进行适当加权,因为只有一组水平点,但有两组垂直点。

(3)眨眼检测标准 睁开眼睛时眼睛的纵横比大约是恒定的,但是当眨眼时眼睛的纵横比会迅速降至零。 使用这个简单的方程式,我们可以避免使用图像处理技术,而只需依靠眼睛界标距离的比率来确定一个人是否在眨眼。 为了更清楚地说明这一点,参考该博客:

6.png

图: 左上:当眼睛睁开时,眼睛界标的可视化。右上:闭上眼睛时的眼睛地标。底部:绘制随时间变化的眼睛纵横比。眼睛纵横比的下降表示眨眼

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

在左上角,我们的眼睛完全张开-此处的眼睛长宽比会很大(r),并且随着时间的推移会相对保持恒定。 但是,一旦眨眼(右上角),眼睛的宽高比就会急剧下降,接近零。 在底部图中绘出了眼纵横比随时间的视频剪辑的曲线图。如我们所见,眼睛的纵横比是恒定的,然后迅速下降到接近零,然后再次增加,表明已经发生了一次眨眼。 在确定视频流中是否发生眨眼时,我们需要计算眼睛的宽高比。

# 设置判断参数

EYE_AR_THRESH = 0.3  # ear小于0.3判断为闭眼

EYE_AR_CONSEC_FRAMES = 3  # 连续三帧ear都小于0.3判断为眨眼

# 初始化计数器

COUNTER = 0

TOTAL = 0

如果眼睛的宽高比下降到某个阈值以下,然后又上升到该阈值以上,那么我们将注册“眨眼”- EYE_AR_THRESH 是此阈值。我们将其默认设置为0. 3 因为这对我的应用程序最有效,但是您可能需要针对自己的应用程序进行调整。

# 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()

然后我们有一个重要的常数, EYE_AR_CONSEC_FRAME —此值设置为 3 表示连续三个帧的眼睛长宽比小于EYE_AR_THRESH 必须进行眨眼才能注册眨眼。 同样,根据流水线的帧处理吞吐率,您可能需要为自己的实现提高或降低此数字。 第44和45行初始化两个计数器。柜台 是眼睛长宽比小于的连续帧的总数 EYE_AR_THRESH 尽管 全部的 是脚本运行期间发生的总闪烁次数。

7.png

完整源码&环境部署视频教程&自定义UI界面

4.参考文献


[1] 汪明明,林小竹.基于OpenCV人眼定位的人脸检测方法[D].北京石油化工学院.2022(12).

[2] 傅亚煌,黄鸣宇.基于眼动特性的机动车驾驶疲劳系统[J].电脑与信息技术.2022(2).

[3] 王奕直,周凌霄,孔万增.基于Adaboost的疲劳驾驶眨眼检测[D].杭州电子科技大学学报.2022(8).

[4] 张旭,李亚利,陈晨,王生进,丁晓青.嵌入式驾驶员状态检测算法的实现与优化[J].自动化学报.2022(12).

[5] 赵钟.驾驶员疲劳检测方法研究及嵌入式实现[D]. 大连海事大学.2020(6).

[6] 徐淑峰,孙炜,赵峰,张忠.Adaboost人脸检测算法在嵌入式平台上的优化与实现[D].上海交通大学微电子学院.2018(6).

[7] 牛慧萍.基于DSP的人眼状态信息检测系统的研究和设计.[D].沈阳理工大学.2010(3).

[8] 郑玉铎.田杨萌.靳薇.基于Adaboost 和ASM 算法的人眼定位.[J] .北京信息科技大学学报.2013(6).

[9] 郭纯宏.基于嵌入式的人眼信息检测系统研究.[D].沈阳理工大学.2011(3).

[10] 王洪涛.驾驶疲劳测评方法研究及其DSP实现.[D].武汉理工大学.2007(5).

[11] 向本科.基于人眼检测的驾驶员疲劳检测研究.[D].西南大学.2010(5).

[12] 常瑜亮.基于DSP的疲劳驾驶检测系统硬件设计与实现. [D].沈阳理工大学.2010(3).

[13] 李文磊.基于DSP的疲劳驾驶实时监测系统研究.[D] .南京理工大学.2007(6).

基于Python+OpenCV+dlib汽车驾驶员疲劳检测 一、项目背景与意义随着道路交通的日益繁忙和驾驶时间的增加,疲劳驾驶成为了引发交通事故的重要因素之一。为了有效监测驾驶员是否疲劳驾驶、避免交通事故的发生,本项目利用Python编程语言结合OpenCV和dlib库,实现了一个基于驾驶员面部特征的疲劳检测系统。该系统能够实时分析驾驶员的面部图像,提取关键特征点,并据此判断驾驶员的疲劳状态,及时发出警报,提醒驾驶员休息或注意驾驶安全[1][4]。 阅读详情

相关推荐

使用Python+OpenCV库+dlib实现司机疲劳检测

一、项目背景与意义随着交通事业的快速发展,司机疲劳驾驶成为导致交通事故的重要原因之一。因此,开发一种有效的司机疲劳检测系统对于提高道路安全具有重要意义。本项目利用Python编程语言、OpenCV计算机视觉库以及dlib机器学习库,实现了一个基于图像处理和机器学习的司机疲劳检测系统。二、技术框架与工具Python:作为高级编程语言,Python易于学习和使用,拥有丰富的库和工具,支持各种复杂算法的实现。

2301_79810943的博客 499

Python基于OpenCV的实时疲劳检测[源码&演示视频&部署教程]

Python基于OpenCV的实时疲劳检测[源码&演示视频&部署教程]

m0_74341485的博客 1172

数字图像处理之基于Python+OpenCV+dlib驾驶疲劳检测

一、项目背景与意义随着汽车保有量的增加和道路交通的日益繁忙,驾驶疲劳成为了一个不容忽视的安全隐患。驾驶疲劳不仅可能导致驾驶员注意力不集中、反应迟钝,还可能引发交通事故,造成人员伤亡和财产损失。因此,开发一种高效、准确的驾驶疲劳检测系统具有重要的现实意义和应用价值。本项目基于Python、OpenCV和dlib库,利用数字图像处理技术和机器学习算法,实现驾驶疲劳的自动检测与预警。二、技术框架与工具Python:作为一种简单易学、功能强大的编程语言,Python在数字图像处理领域具有广泛的应用。

2301_79810943的博客 771

【Python】OpenCV-实时眼睛疲劳检测与提醒

眼睛疲劳对于长时间使用电子设备的人群来说是一个常见的问题。为了帮助用户及时发现眼睛疲劳并采取相应的措施,本文介绍了一个实时眼睛疲劳检测与提醒系统的简单实现。使用了OpenCV、MediaPipe以及Playsound库,通过摄像头捕捉实时图像,检测眼睛疲劳并在需要时播放提示音。

linjiuxiansheng的博客 2161

基于OpenCV的实时疲劳检测系统实现

本文介绍了一个基于OpenCV的实时疲劳检测系统,使用Python实现。系统通过Haar级联分类器检测人脸和眼睛,计算眼睛宽高比(EAR)和PERCLOS(眼睛闭合时间比例)来评估疲劳程度,分为4个等级:正常、轻度、中度和重度疲劳。核心代码包含人脸眼睛检测、疲劳评估和可视化显示功能,具有实时性、稳定性和直观的视觉反馈。系统可通过摄像头实时监控驾驶员状态,为疲劳驾驶预警提供简单有效的解决方案。

weixin_62135607的博客 234

实时眼部疲劳检测工具:Python+OpenCV+dlib实现EAR计算与Percols状态判定

用本地摄像头或测试视频就能跑的眼部疲劳识别程序,基于dlib的68点人脸关键点模型精准定位双眼,实时计算眼睛纵横比(EAR)来统计眨眼频率和闭眼时长。核心逻辑封装在Percols.py里,把连续的EAR时间序列转换成疲劳等级判断结果。运行eye.py会自动显示人脸关键点、实时EAR数值、当前疲劳状态(如清醒/轻度疲劳/重度疲劳)和文字提示,按q键退出。配套提供shape_predictor_68_face_landmarks.dat模型文件、test.mp4样例视频、完整依赖列表(requirements.

u0v1w2x3的博客 277

计算机视觉入门实战:基于人脸关键点的实时疲劳检测系统(Python+OpenCV完整实现)

一个计算机小白也可以立刻run起来的简单项目,下载下来直接运行monitor.py或notebook即可。使用Python和OpenCV完成的实时疲劳检测程序,通过分析人脸关键点来监测眼部闭合、打哈欠等疲劳特征。项目不依赖深度学习模型,无需训练。效果不佳的话可自行尝试调整阈值。实时人脸检测和68点关键点定位。实时视频流显示检测结果。

m0_72751356的博客 347

【kubeEdge】离线部署

根据k8s的这个规则,可以将节点通过 label 的方式进行分组,比如将某几个节点都打上标签为 name=edge,当调度应用到 edge 节点时,会找到 label 为 edge 的所有节点,根据设置的副本数,将应用启动起来,如果设置的副本数超过了设置 edge 标签的节点数,则多出的将会显示 pending 状态,从而无法启动。清除 keadm init 或 keadm join 造成的影响均可使用 keadm reset,这个操作会删除 /etc/kubeedge 下的文件,如有需要请提前备份。

qq_42944740的博客 1717

Python基于OpenCV的疲劳检测系统 PyQt界面 实时曲线+告警 打哈欠/闭眼/点头/脱岗识别

摘要: 本项目基于Python开发,采用OpenCV+Dlib实现多维度疲劳与脱岗检测系统,通过实时分析眼部纵横比(EAR)、嘴部开合度(MAR)及头部姿态角(HPR)等特征,识别打哈欠、闭眼、点头等行为,触发声光预警并记录数据。系统包含PyQt图形界面,支持实时检测、参数调节与历史回放,本地离线运行保障隐私,帧率≥25FPS。适用于驾驶监控、值守巡检等场景,兼具教学与产业价值,提供开源代码与详细注释,可作为计算机视觉课程或毕业设计模板。 (字数:149)

QQ80213251的博客 312

智能座舱高通平台Display架构 - 基础篇

随着智能座舱的市场需求变化以及技术发展,座舱需要支持的屏幕会越来越多,分辨率和尺寸也会越来越大。这已经是不可逆转的趋势。传统的座舱一块显示屏就需要一块主芯片支持,这在功能和成本上都不是很好的做法。一芯多屏就是基于传统座舱的缺陷提出的新型架构和方案,并且越来越广泛的在智能座舱中得到体现和发展。本文将主要讲述智能座舱中显示子系统的硬件相关技术。中控娱乐屏ICS(Instrument Central Screen)仪表盘显示屏IC(Instrument Cluster)

Math_Light的博客 2671

面试篇 - LoRA(Low-Rank Adaptation) 原理

输出示例:trainable params: 262,144 || all params: 6,742,016,000 || trainable%: 0.0039。论文实验显示:零初始化 BB 可使初始损失与预训练模型相差不足0.1%,而非零初始化可能差50%+。若初始 ΔW≠0,模型可能立即偏离预训练学到的知识(如GPT-3突然忘记如何造句)。:如同汽车改装,先保持原厂配置(W),再逐步加装新部件(ΔW),避免直接飙车失控。:大模型的权重变化矩阵 ΔWΔW 通常是低秩的(少数主成分主导变化)。

qq_60245590的博客 1155

Python+OpenCV疲劳检测

一、项目背景与意义随着现代社会的快速发展和生活节奏的加快,各行各业的员工常常面临长时间的体力和脑力劳动,这很容易导致疲劳。疲劳不仅影响工作效率,还可能引发各种安全事故,特别是在驾驶、操作机器等需要高度集中注意力的行业中。因此,开发一种高效、准确的疲劳检测系统具有重要的现实意义和应用价值。基于Python和OpenCV的疲劳检测项目,利用计算机视觉技术实现对个体疲劳状态的自动监测和预警,有助于减少因疲劳引发的事故和损失[1]。二、技术实现。

2301_79809972的博客 1112

RocketMQ 为什么要自己做一个 NameServer ?RocketMQ 5.x 版本中的 proxy、controller 和 container 分别有什么用 ?

1.独立运行的分散结构 2.简化实现,容忍部分数据不一致 Proxy:多语言支持、简化开发 Controller: 提高 Broker 的性能 Container:提高资源利用率,平衡负载

xaiobit_hl的博客 1490

Python基于OpenCV的疲劳检测系统 PyQt界面 实时曲线+告警 打哈欠/闭眼/点头/脱岗识别 毕业设计(建议收藏)✅

Python基于OpenCV的疲劳检测系统 PyQt界面 实时曲线+告警 打哈欠/闭眼/点头/脱岗识别 毕业设计(建议收藏)✅

q_3375686806的博客 762

告别PlatformIO!用Arduino IDE搞定ESP32上的micro-ROS 2.0.5(Humble版)

本文详细介绍了如何从PlatformIO迁移到Arduino IDE以支持ESP32上的micro-ROS 2.0.5(Humble版)。内容涵盖环境配置、项目转换、常见问题解决及高级优化技巧,帮助开发者顺利过渡并充分利用Arduino IDE的官方支持优势。

weixin_33709590的博客 380

句向量(句嵌入)模型sent2vec的训练及应用

本文讨论NLP中的句向量模型(sent2vec),也就是将一个完整的句子映射成一个实数向量的技术。这方面已经发表的成果也是比较多的,本文中所涉及的技术主要源自NAACL 2018的一篇论文,其中提出的sent2vec模型可以理解为词嵌入技术中经典的CBOW方法的扩展,该所谓的扩展中一个重要改进就是引入了n-gram

白马负金羁 1万+

Python+OpenCV实现疲劳检测系统开发指南

计算机视觉中的人脸检测技术通过分析面部特征实现状态识别,其核心原理是利用机器学习模型提取关键点坐标。OpenCV作为经典计算机视觉库,提供了DNN模块和Haar级联两种人脸检测方案,其中基于ResNet的Caffe模型在精度和速度上表现更优。这类技术在安防监控、智能驾驶等领域具有重要应用价值,如疲劳检测系统通过眼睛闭合频率(EAR)、哈欠检测(MAR)等特征实现状态分析。本文实现的B/S架构系统采用Python Flask+MySQL技术栈,整合了多线程优化、综合评分算法等工程实践,特别适合需要实时处理的驾

weixin_33736048的博客 452

YOLO26改进策略【YOLO和Mamba】| CVPR 2025:EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作,提升目标检测效率与精度

本文记录的是利用模块优化的目标检测网络模型。EfficientViM Block(基于隐藏状态混合器的状态空间对偶性模块) 的设计旨在,提升特征提取效率,同时兼顾全局依赖捕捉与局部细节保留。本文将深入研究的原理,并将其应用到中,通过重构特征提取流程、减少内存绑定操作、融合多阶段特征,增强模型在资源受限环境下的检测性能与速度。EfficientViM: Efficient Vision Mamba with Hidden State Mixer based State Space DualityEfficie

Limiiiing的博客 402

【毕业设计python】基于python的疲劳检测系统(源码)

本文设计并实现了一套基于Python的疲劳驾驶检测系统,旨在通过计算机视觉技术实时监测驾驶员疲劳状态。系统采用OpenCV进行面部特征提取,通过分析眼睑闭合度、眨眼频率等指标判断疲劳程度,并利用MySQL存储检测数据。主要功能包括:系统登录、实时图片识别、照片分析(统计眼睛状态、哈欠占比等)、照片管理和用户管理。该系统具有非接触式、低成本、实时性强的特点,可为预防疲劳驾驶事故提供有效解决方案,具有重要的交通安全应用价值。

鑫鑫源码工作室的博客 510

飞牛fnNAS搭建Web网页版OFFICE(WPS)软件

本文介绍了如何在飞牛NAS上通过Docker容器部署WPS Office办公软件。主要内容包括:启用Docker服务、准备项目文件夹结构、使用Compose方式构建容器、解决端口冲突问题、配置中文输入法和字体库,以及通过ZeroTier实现远程访问。文章详细说明了每个步骤的操作方法,包括容器启动、输入法设置、字体添加和文件存储位置配置。最后还介绍了使用ZeroTier内网穿透技术实现远程访问NAS上WPS服务的方法,让用户可以在不同设备上随时编辑NAS中的文件。整个部署过程完整清晰,为NAS用户提供了便捷的

dgnankai的专栏 1705

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

疲劳检测系统源码及论文:守护安全,预防疲劳

疲劳检测系统源码及论文:守护安全,预防疲劳 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 疲劳检测系统源码及论文是一个开源项目,它利用Python、Django和OpenCV技术,致力于监测和预防驾驶员和工作人员的疲劳状态,从而提升作业安全性和效率。该项目不仅提供了一套完整的源码,还附带了详细的论文,深入浅出地介绍了系统的设计思路、实现方法以及测试结果。 项目技术分析...

gitblog_06758的博客 341

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: MATLAB+opencv人脸疲劳检测
下一篇: Python基于OpenCV的实时疲劳检测
GPT_code
博客等级 码龄3年 3543粉丝 338原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值