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 = euclidean_distances(eye[0].reshape(1, 2), eye[3].reshape(1, 2))
# 计算EAR（避免除以0，加微小值）
ear = ((A + B) / 2.0) / (C + 1e-6)
return ear
# 模块2：OpenCV添加中文（解决cv2.putText不支持中文的问题）
def cv2AddChineseText(img, text, position, textColor=(255, 0, 0), textSize=50):
if isinstance(img, np.ndarray): # 若为OpenCV的numpy数组格式，转换为PIL图像
img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
draw = ImageDraw.Draw(img) # 创建绘图对象
# 加载中文字体（需确保系统有simsun.ttc字体，Windows默认有，Linux/mac需手动安装）
fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
draw.text(position, text, textColor, font=fontStyle) # 绘制中文
return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR) # 转回OpenCV格式
# 模块3：绘制眼睛凸包（可视化眼睛区域）
def drawEye(eye, frame):
eyeHull = cv2.convexHull(eye) # 计算眼睛关键点的凸包
cv2.drawContours(frame, [eyeHull], -1, (0, 255, 0), -1) # 填充式绘制凸包（绿色）
# 模块4：初始化与实时检测
if __name__ == "__main__":
COUNTER = 0 # 闭眼持续帧数计数器
EAR_THRESHOLD = 0.3 # EAR阈值（低于此值判定为闭眼）
FATIGUE_FRAMES = 50 # 疲劳判定帧数（持续闭眼超过此帧数触发警报）
# 初始化人脸检测器与关键点预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
# 初始化摄像头（0表示默认摄像头，外接摄像头可改为1）
cap = cv2.VideoCapture(0)
# 设置摄像头分辨率（可选，根据硬件调整）
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)
while True:
# 读取一帧图像
ret, frame = cap.read()
if not ret: # 摄像头读取失败（如未连接），退出循环
print("Error: 无法读取摄像头图像")
break
# 水平翻转图像（可选，解决摄像头镜像问题，更符合人眼习惯）
frame = cv2.flip(frame, 1)
# 1. 检测人脸
faces = detector(frame, 0) # 0表示不上采样，平衡速度与精度
# 2. 遍历每个人脸，处理眼睛关键点
for face in faces:
# 2.1 预测68点关键点
shape_dlib = predictor(frame, face)
shape = np.array([[p.x, p.y] for p in shape_dlib.parts()])
# 2.2 提取左右眼关键点（索引对应68点分布）
right_eye = shape[36:42] # 右眼：36-41（左闭右开）
left_eye = shape[42:48] # 左眼：42-47（左闭右开）
# 2.3 计算左右眼EAR，并取平均值（减少单眼误差）
right_ear = eye_aspect_ratio(right_eye)
left_ear = eye_aspect_ratio(left_eye)
avg_ear = (right_ear + left_ear) / 2.0 # 最终EAR值
# 2.4 绘制眼睛凸包（可视化，便于观察检测效果）
drawEye(right_eye, frame)
drawEye(left_eye, frame)
# 2.5 疲劳判断逻辑
if avg_ear < EAR_THRESHOLD:
COUNTER += 1 # 闭眼帧数+1
# 持续闭眼超过FATIGUE_FRAMES，触发警报
if COUNTER >= FATIGUE_FRAMES:
frame = cv2AddChineseText(frame, "！！！危险：请勿疲劳用眼！！！",
position=(200, 200),
textColor=(0, 0, 255), # 红色警报文字
textSize=40)
else:
COUNTER = 0 # 睁眼时，计数器清零
# 2.6 在图像上显示当前EAR值（便于调试阈值）
ear_text = f"EAR: {avg_ear[0][0]:.2f}" # 格式化EAR值（保留2位小数）
frame = cv2AddChineseText(frame, ear_text, position=(50, 50), textSize=30)
# 3. 显示实时画面
cv2.imshow("Real-Time Fatigue Detection", frame)
# 4. 退出逻辑：按下ESC键（ASCII码27）关闭窗口
if cv2.waitKey(1) & 0xFF == 27:
break
# 释放资源（摄像头+窗口）
cap.release()
cv2.destroyAllWindows()2. 核心模块解析
（1）eye_aspect_ratio()：EAR 计算函数
该函数是疲劳检测的 "核心算法"，关键逻辑如下：
- 欧式距离计算 ：使用
sklearn.metrics.pairwise.euclidean_distances计算两点间距离（也可手动用np.linalg.norm(eye[1]-eye[5])实现，效果一致）； - 维度处理 ：
eye是形状为 (6,2) 的 numpy 数组（6 个关键点，每个点含 x/y 坐标），需用reshape(1,2)将单个点转换为 (1,2) 的二维数组，适配euclidean_distances的输入要求； - 防除零处理 ：在分母
C后加1e-6（极小值），避免因水平距离为 0 导致程序报错。
（2）cv2AddChineseText()：中文显示函数
OpenCV 的cv2.putText()不支持中文字体，需通过 PIL 库转换图像格式实现中文显示，关键步骤：
- 格式转换：将 OpenCV 的 BGR 格式 numpy 数组，转为 PIL 的 RGB 格式图像；
- 字体加载 ：使用系统自带的 "宋体" 字体（
simsun.ttc），Windows 默认路径为C:/Windows/Fonts/simsun.ttc，Linux/mac 需手动安装该字体并指定路径（如/Library/Fonts/simsun.ttc）； - 格式转回：绘制中文后，再将 PIL 图像转回 OpenCV 的 BGR 格式，确保后续处理正常。
（3）实时检测逻辑
- 摄像头初始化 ：
cv2.VideoCapture(0)调用默认摄像头，cap.set()可调整分辨率（越高越清晰，但占用资源越多）； - 镜像翻转 ：
cv2.flip(frame, 1)实现水平翻转，解决摄像头 "左右颠倒" 的问题，让操作更自然； - 疲劳判定 ：
COUNTER记录持续闭眼帧数，当COUNTER >= FATIGUE_FRAMES时，用红色中文显示警报信息，直观提醒用户。
三、参数调试与效果优化
1. 关键参数调整
代码中的两个核心参数需根据实际场景微调，以达到最佳检测效果：
| 参数名称 | 作用 | 调整建议 |
|---|---|---|
EAR_THRESHOLD |
EAR 阈值，低于此值判定为闭眼 | - 若频繁误判 "睁眼为闭眼"：适当降低阈值（如 0.28）；- 若频繁漏判 "闭眼为睁眼"：适当提高阈值（如 0.32）；- 建议在光线充足环境下调试，先记录睁眼时的 EAR 值，取其 0.8~0.9 倍作为阈值。 |
FATIGUE_FRAMES |
疲劳判定帧数，超过此帧数触发警报 | - 摄像头为 30 帧 / 秒时：50 帧≈1.7 秒，适合驾驶场景（反应稍快）；- 摄像头为 60 帧 / 秒时：100 帧≈1.7 秒，需按帧率等比例调整；- 若希望更灵敏：减少帧数（如 30 帧≈1 秒）；若避免误报：增加帧数（如 80 帧≈2.7 秒）。 |
2. 环境优化建议
- 光线条件：避免逆光或过暗环境，光线不足会导致关键点检测偏差，建议在室内正常照明或室外阴影处使用；
- 人脸姿态：确保人脸正面朝向摄像头，侧脸或低头时眼睛关键点可能检测失败，可配合 "人脸跟踪" 功能优化（后续文章会介绍）；
- 硬件性能 ：若画面卡顿，可降低摄像头分辨率（如 800x600），或减少
detector的上采样次数（如保持detector(frame, 0)，不改为 1）。
五、总结
本文从 "理论原理" 到 "代码实现"，完整讲解了基于 EAR 的实时疲劳检测系统，核心是将眼睛关键点的几何特征（EAR）转化为实用的状态判断指标。相比传统的 "基于像素亮度的闭眼检测"，该方法抗干扰能力更强，精度更高，且可移植到嵌入式设备（如树莓派），实现更广泛的应用。
至此，我们已完成从 "人脸检测→关键点定位→特征可视化→实用应用" 的完整技术链。后续文章将继续探索更复杂的计算机视觉场景，如人脸识别、表情分类等，敬请关注！