【计算机视觉40例】案例38：驾驶员疲劳监测_计算机视觉40例——从入门到深度学习pdf下载

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论入门的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面（表情识别、驾驶员疲劳监测、识别性别与年龄等）案例。

本文简要截取书中第38个案例（驾驶员疲劳监测）的部分内容。更多内容大家可以参考书中第28章《人脸识别应用》。

疲劳驾驶极易引起交通事故，其一个重要表现就是犯困，眼睛会在超过正常眨眼的时间内一直处于闭合状态。因此，可以通过眼睛的纵横比（高宽比）来判断眼睛是否闭合（眨眼），进而判断驾驶员是否处于疲劳驾驶状态。

如图1所示，对睁眼、闭眼的情况进行了演示，其中：

1. 左侧是正常的睁眼状态，眼睛的高度与宽度的比值在0.3左右。
2. 右侧是闭眼（眨眼）状态，眼睛的高度与宽度的比值在0左右。

图1 眼睛模型

具体来说，Dlib使用6个关键点来标注眼睛，因此其高宽比的计算方式为：

下一步，需要判断正常的眨眼和长时间闭眼（疲劳）的区别。正常情况下，眨眼是一瞬间，而疲劳的闭眼是相对较长时间的。例如，在图2中：

1. 上图中，高宽比仅仅在一瞬间处于较小值（约0），其余时间都是正常值（约0.3），此时对应的是正常眨眼。
2. 下图中，高宽比在某一个较长时间内都处于较小值（约0），此时对应的是长时间闭眼。如果它的时长超过了我们事先规定的阈值，则将该状态判定为疲劳状态。

图2  眼睛高宽比

因此，在判断眼睛高宽比的基础上，还要衡量眼睛高宽比所持续的时间。反映到视频帧中，要增加一个计数器，该计数器的工作方式为：

1. 眼睛高宽比小于0.3时，认为当前帧眼睛处于闭合状态，计数器加1。并判断计数器的值，如果计数器大于阈值（例如48），则认为眼睛闭合的时间过长了，提示风险；如果小于等于阈值认为眼睛闭合的时间在正常范围内，当前的闭眼，仅仅是眨眼，无需任何额外处理。
2. 眼睛高宽比大于等于0.3时，当前帧眼睛处理睁开状态，将计数器清零。保证下次闭眼时，计数器能够从零开始重新计数。

根据上述分析，具体实现流程图如图3所示。

图3 流程图

本案例中，使用到了Dlib，它是一个现代工具包，包含机器学习算法和工具，用于在程序中构造软件来解决复杂的现实世界问题。它被工业界和学术界广泛应用于机器人、嵌入式设备、移动电话和大型高性能计算环境等领域。Dlib的开源许可允许用户在任何应用程序中免费使用它。

【核心代码截取（书中附有全部代码）】使用Dlib进行疲劳检测。

# ==============获取图像内的左眼、右眼对应的关键点集==============
 
def getEYE(image,rect):
 
    landmarks=predictor(image, rect)
 
    # 关键点处理为(x,y)形式
 
    shape = np.matrix([[p.x, p.y] for p in landmarks.parts()])
 
    # 计算左眼、右眼
 
    leftEye = shape[42:48]   #左眼，关键点索引从42到47（不包含48）
 
    rightEye = shape[36:42]  #右眼，关键点索引从36到41（不包含42）
 
    return leftEye,rightEye
 
# ============计算眼睛的纵横比（小于0.3太小是闭眼或眨眼、超过0.3是睁眼）==========
 
def eye_aspect_ratio(eye):
 
    # 眼睛用6个点表示。上下各两个，左右一个，结构如下所示：
 
    #---------------------------------------------
 
    #      1    2
 
    # 0             3      <----这是眼睛的6个关键点
 
    #      5    4
 
    #---------------------------------------------
 
    # 欧氏距离（垂直方向上的两个距离1和5、 2和4）
 
    A = dist.euclidean(eye[1], eye[5])
 
    B = dist.euclidean(eye[2], eye[4])
 
    # 欧氏距离（水平距离0和3）
 
    C = dist.euclidean(eye[0], eye[3])
 
    #纵横比
 
    ear = (A + B) / (2.0 * C)
 
    return ear
 
# ================计算两眼的纵横比均值========================
 
def earMean(leftEye,rightEye):
 
    # 计算左眼纵横比leftEAR、右眼纵横比rightEAR
 
    leftEAR = eye_aspect_ratio(leftEye)
 
    rightEAR = eye_aspect_ratio(rightEye)
 
    # 均值处理
 
    ear = (leftEAR + rightEAR) / 2.0 
 
    return ear
 
# ==============绘制眼框（眼眶的包围框）=======================
 
def drawEye(eye):
 
    # 把眼睛圈起来1：convexHull，获取凸包
 
    eyeHull = cv2.convexHull(eye)
 
    # 把眼睛圈起来2：drawContours,绘制凸包对应的轮廓
 
    cv2.drawContours(frame, [eyeHull], -1, (0, 255, 0), 1)

运行结果如图2所示，当眼睛的高宽比长时间低于阈值时，会显示危险提示“DANGEROUS！！！”。

图2 效果显示 

第28章《人脸识别应用》中还介绍了人脸表情识别、易容术、识别性别年龄等案例的基本原理和实现过程。欢迎大家在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》第28章《人脸应用案例》中获取更详细的内容。

书中包含的人脸识别相关案例有：

1. 人脸检测
2. 人脸识别
3. 勾勒五官
4. 人脸对齐
5. 表情识别
6. 疲劳驾驶检测
7. 易容术
8. 性别与年龄识别