OpenCV实战完美实现眨眼疲劳检测！！

2023-10-18 02:44
文章标签 实战 实现 opencv 检测 完美 疲劳 眨眼

本文主要是介绍OpenCV实战完美实现眨眼疲劳检测！！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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 cv2FACIAL_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*2coords = 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=1200r = 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 += 1else:# 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) & 0xFFif key == 27:breakvs.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。

这篇关于OpenCV实战完美实现眨眼疲劳检测！！的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/229666。

相关文章

网页解析 lxml 库--实战

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库，完全使用 Python 语言编写，它对 XPath表达式提供了良好的支 持，因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块，该模块专门用来解析 HTML/XML 文档，下面来介绍一下 lxml 库
阅读更多...
hdu1043（八数码问题，广搜 + hash（实现状态压缩） ）

hdu1043（八数码问题，广搜 + hash（实现状态压缩） ）

利用康拓展开将一个排列映射成一个自然数，然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu
阅读更多...
性能分析之MySQL索引实战案例

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题，本文将一起从代码层去分析为什么没有建立索引？ 开源ERP项目地址：https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
【C++】_list常用方法解析及模拟实现

【C++】_list常用方法解析及模拟实现

相信自己的力量，只要对自己始终保持信心，尽自己最大努力去完成任何事，就算事情最终结果是失败了，努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一：什么是list？ •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二：list常用接口 •🌰1.默认成员函数 🔥构造函数（⭐） 🔥析构函数 •🌰2.list对象
阅读更多...
【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...
让树莓派智能语音助手实现定时提醒功能

让树莓派智能语音助手实现定时提醒功能

最初的时候是想直接在rasa 的chatbot上实现，因为rasa本身是带有remindschedule模块的。不过经过一番折腾后，忽然发现，chatbot上实现的定时，语音助手不一定会有响应。因为，我目前语音助手的代码设置了长时间无应答会结束对话，这样一来，chatbot定时提醒的触发就不会被语音助手获悉。那怎么让语音助手也具有定时提醒功能呢？ 我最后选择的方法是用threading.Time
阅读更多...
Android实现任意版本设置默认的锁屏壁纸和桌面壁纸（两张壁纸可不一致）

Android实现任意版本设置默认的锁屏壁纸和桌面壁纸（两张壁纸可不一致）

客户有些需求需要设置默认壁纸和锁屏壁纸  在默认情况下 这两个壁纸是相同的  如果需要默认的锁屏壁纸和桌面壁纸不一样 需要额外修改 Android13实现 替换默认桌面壁纸： 将图片文件替换frameworks/base/core/res/res/drawable-nodpi/default_wallpaper.*  （注意不能是bmp格式） 替换默认锁屏壁纸： 将图片资源放入vendo
阅读更多...
C#实战|大乐透选号器[6]：实现实时显示已选择的红蓝球数量

C#实战|大乐透选号器[6]：实现实时显示已选择的红蓝球数量

哈喽，你好啊，我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记，这是第6篇； 接下来实现实时显示当前选中红球数量，蓝球数量； 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时，在对应的位置显示实时已选择的红球、蓝球的数量； 02 标签名称 分别设置Label标签名称为：lblRedCount、lblBlueCount
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2