从特征到应用：用 dlib+OpenCV 实现实时疲劳检测（基于眼睛纵横比）

在前两篇内容中，我们完成了人脸检测、68 点关键点定位与面部特征可视化。本文将基于这些技术，聚焦一个实用场景 ——实时疲劳检测，通过计算眼睛纵横比（EAR）判断用户是否闭眼，并在持续闭眼时触发警报，可应用于驾驶安全、学习专注度监控等场景。

一、核心原理：眼睛纵横比（EAR）如何判断闭眼？

疲劳检测的核心逻辑是通过眼睛开合状态判断是否困倦，而眼睛纵横比（Eye Aspect Ratio，简称 EAR）是衡量眼睛开合程度的经典指标，由研究者 Tereza Soukupová 在 2016 年提出。

1. EAR 的计算逻辑

眼睛的 6 个关键点（如右眼 36-41、左眼 42-47）分布如下图所示，EAR 通过计算 “垂直方向距离之和” 与 “水平方向距离” 的比值，量化眼睛的开合程度：

          1    2
           \  /
0 ----------+---------- 3
           /  \
          5    4

• 垂直距离：关键点 1 与 5 的距离（A）、关键点 2 与 4 的距离（B）；
• 水平距离：关键点 0 与 3 的距离（C）；
• EAR 公式：EAR = (A + B) / (2 * C)

2. EAR 的判断标准

• 睁眼状态：EAR 值通常在 0.25~0.35 之间（具体数值需根据摄像头距离、人脸大小微调）；
• 闭眼状态：EAR 值会急剧下降至 0.2 以下，甚至接近 0；
• 疲劳判断：若 EAR 持续低于阈值（如 0.3）超过一定帧数（如 50 帧，约 1 秒，因摄像头通常为 30~60 帧 / 秒），则判定为疲劳状态。

二、完整代码实现与逐模块解析

1. 完整代码

import numpy as np
import dlib
import cv2
from sklearn.metrics.pairwise import euclidean_distances  # 计算欧式距离
from PIL import Image, ImageDraw, ImageFont  # 处理中文显示

# 模块1：计算眼睛纵横比（EAR）
def eye_aspect_ratio(eye):
    # 计算垂直方向两个距离：A(1-5)、B(2-4)
    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))
    # 计算水平方向距离：C(0-3)
    C = e