OpenCV 疲劳检测实战：用 dlib 计算眼睛纵横比 (EAR）

Westward-sun.2026-04-14 8:21

从零开始，带你用 Python + OpenCV + dlib 实现驾驶员疲劳检测

📌 前言

作为一个 OpenCV 初学者，我一直想做点"有点实际意义"的小项目。疲劳检测就是一个很不错的切入点------它用到了人脸检测 、关键点定位 、几何特征计算 、实时视频处理等知识点，代码量不大，但成就感十足。

这篇文章会详细解析一份完整的疲劳检测代码，并补充大量背景知识。所有图片我都会用自己的截图和示意图填充，方便你对照理解。

🧱 一、项目整体思路

  1. 通过摄像头读取实时视频流

  2. 检测人脸，并定位 68 个人脸关键点（重点是左右眼）

  3. 计算眼睛纵横比 (EAR)，判断眼睛是睁开还是闭合

  4. 如果连续多帧（比如 50 帧）都检测到闭眼，则判定为疲劳，在画面中显示警告

完整代码：

复制代码 
"""
疲劳检测，可用于驾驶员监控、学员上课状态检测等
"""
import numpy as np
import dlib
import cv2
from sklearn.metrics.pairwise import euclidean_distances  # 计算欧氏距离
from PIL import Image, ImageDraw, ImageFont  # 用于OpenCV中文显示

# -------------------------- 1. 眼睛纵横比(EAR)计算函数 --------------------------
def eye_aspect_ratio(eye):
    """
    计算眼睛的纵横比(Eye Aspect Ratio, EAR)
    :param eye: 眼睛的6个关键点坐标数组(shape=(6,2))
    :return: EAR值，EAR越小表示眼睛越闭着
    """
    # 计算眼睛垂直方向的两个距离
    A = euclidean_distances(eye[1].reshape(1,2), eye[5].reshape(1,2))[0][0]
    B = euclidean_distances(eye[2].reshape(1,2), eye[4].reshape(1,2))[0][0]
    # 计算眼睛水平方向的距离
    C = euclidean_distances(eye[0].reshape(1,2), eye[3].reshape(1,2))[0][0]
    # 计算EAR
    ear = (A + B) / (2.0 * C)
    return ear

# -------------------------- 2. OpenCV中文显示函数 --------------------------
def cv2AddChineseText(img, text, position, textColor=(255, 0, 0), textSize=30):
    """
    解决OpenCV无法直接显示中文的问题，用PIL绘制后转回OpenCV格式
    :param img: OpenCV格式的图像
    :param text: 要显示的中文文本
    :param position: 文本位置(x,y)
    :param textColor: 文本颜色(BGR格式)
    :param textSize: 文本大小
    :return: 绘制后的OpenCV图像
    """
    # 转换为PIL格式
    if isinstance(img, np.ndarray):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    # 创建画笔
    draw = ImageDraw.Draw(img)
    # 加载字体（Windows系统自带宋体，其他系统请修改字体路径）
    fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
    # 绘制文字
    draw.text(position, text, textColor, font=fontStyle)
    # 转换回OpenCV格式
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

# -------------------------- 3. 绘制眼睛凸包函数 --------------------------
def drawEye(frame, eye):
    """
    绘制眼睛的凸包轮廓，方便可视化
    :param frame: 视频帧图像
    :param eye: 眼睛的关键点数组
    """
    eyeHull = cv2.convexHull(eye)
    cv2.drawContours(frame, [eyeHull], -1, (0, 255, 0), 1)  # 绿色轮廓，线宽1

# -------------------------- 主程序 --------------------------
if __name__ == "__main__":
    # 初始化参数
    COUNTER = 0          # 闭眼持续帧数计数
    EYE_AR_THRESH = 0.3  # EAR阈值，小于该值认为眼睛闭合
    EYE_AR_CONSEC_FRAMES = 50  # 连续闭眼超过该帧数则判定为疲劳

    # 初始化人脸检测器和关键点预测器
    detector = dlib.get_frontal_face_detector()  # 人脸检测器
    # 关键点预测器（需提前下载shape_predictor_68_landmarks.dat文件，放在同目录）
    predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

    # 打开摄像头
    cap = cv2.VideoCapture(0)
    if not cap.isOpened():
        print("无法打开摄像头！")
        exit()

    while True:
        ret, frame = cap.read()
        if not ret:
            print("无法读取视频帧！")
            break

        # 1. 人脸检测
        faces = detector(frame, 0)  # 获取人脸区域
        for face in faces:
            # 2. 获取人脸关键点
            shape = predictor(frame, face)  # 获取68个关键点
            # 转换为(x,y)坐标数组
            shape = np.array([[p.x, p.y] for p in shape.parts()])

            # 3. 提取左右眼关键点（dlib 68点标准：右眼36-41，左眼42-47）
            rightEye = shape[36:42]  # 右眼关键点（索引36到41，不包含42）
            leftEye = shape[42:48]   # 左眼关键点（索引42到47，不包含48）

            # 4. 计算左右眼EAR值并取平均
            rightEAR = eye_aspect_ratio(rightEye)
            leftEAR = eye_aspect_ratio(leftEye)
            ear = (leftEAR + rightEAR) / 2.0  # 左右眼EAR均值

            # 5. 疲劳判断逻辑
            if ear < EYE_AR_THRESH:
                COUNTER += 1
                # 连续闭眼超过设定帧数，判定为疲劳
                if COUNTER >= EYE_AR_CONSEC_FRAMES:
                    # 显示疲劳警告文字
                    frame = cv2AddChineseText(frame, "!!!!犯困!!!!", position=(250, 250), textColor=(0, 0, 255), textSize=50)
            else:
                # 眼睛睁开，重置计数
                COUNTER = 0
                # 绘制眼睛凸包（仅睁眼时绘制）
                drawEye(frame, leftEye)
                drawEye(frame, rightEye)

            # 6. 显示当前EAR值
            info_text = f"EAR: {ear:.2f}"
            frame = cv2AddChineseText(frame, info_text, position=(10, 30), textColor=(0, 255, 0), textSize=30)

        # 显示视频帧
        cv2.imshow("Frame", frame)
        # 按ESC键退出
        if cv2.waitKey(1) == 27:
            break

    # 释放资源
    cv2.destroyAllWindows()
    cap.release()

🛠 二、环境配置

安装依赖库

复制代码 
pip install numpy opencv-python dlib scikit-learn pillow

⚠️ 注意 ：dlib 在 Windows 上可能需要先安装 CMake 和 Visual C++ 编译工具。推荐直接用预编译的 wheel 安装（比如 dlib‑19.24.2‑cp39‑cp39‑win_amd64.whl）。

下载关键点模型文件

中文字体（可选）

为了在 OpenCV 中显示中文，需要准备一个中文字体文件（如 Windows 的 simsun.ttc）。如果不需要中文，也可以直接用英文提示。

📖 三、代码逐段详解

1. 导入库

复制代码 
import numpy as np
import dlib
import cv2
from sklearn.metrics.pairwise import euclidean_distances
from PIL import Image, ImageDraw, ImageFont

  • sklearn 中的 euclidean_distances 用来计算两点间的欧氏距离，比手写 np.sqrt 更简洁。

  • PIL 用于解决 OpenCV 无法显示中文的问题。

2. 眼睛纵横比 (EAR) 计算函数

复制代码 
def eye_aspect_ratio(eye):
    A = euclidean_distances(eye[1].reshape(1,2), eye[5].reshape(1,2))[0][0]
    B = euclidean_distances(eye[2].reshape(1,2), eye[4].reshape(1,2))[0][0]
    C = euclidean_distances(eye[0].reshape(1,2), eye[3].reshape(1,2))[0][0]
    ear = (A + B) / (2.0 * C)
    return ear
🔍 什么是 EAR？

眼睛纵横比 (Eye Aspect Ratio) 是眼睛高度与宽度的比值。

睁眼时，高度大 → EAR ≈ 0.25~0.3

闭眼时，高度趋近 0 → EAR ≈ 0

下图是眼睛 6 个关键点的位置（dlib 标准）：

  • A = 点37 到点41的距离

  • B = 点38 到点40 的距离

  • C = 点36 到点39 的距离

公式：

EAR=∥A∥+∥B∥2∥C∥EAR=2∥C∥∥A∥+∥B∥​

3. OpenCV 中文显示函数（PIL 桥接）

复制代码 
def cv2AddChineseText(img, text, position, textColor=(255,0,0), textSize=30):
    img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
    draw.text(position, text, textColor, font=fontStyle)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

因为 OpenCV 的 putText 不支持中文，所以我们先用 PIL 绘制文字，再转回 OpenCV 格式。

4. 绘制眼睛凸包（可视化）

复制代码 
def drawEye(frame, eye):
    eyeHull = cv2.convexHull(eye)
    cv2.drawContours(frame, [eyeHull], -1, (0, 255, 0), 1)
  • 凸包：包含所有关键点的最小凸多边形，画出来就像眼睛的轮廓。

5. 主程序核心逻辑

初始化参数
复制代码 
COUNTER = 0                     # 闭眼连续帧数
EYE_AR_THRESH = 0.3            # EAR 阈值
EYE_AR_CONSEC_FRAMES = 50      # 连续多少帧算疲劳
加载 dlib 模型
复制代码 
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
摄像头循环
复制代码 
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    # 人脸检测
    faces = detector(frame, 0)
    for face in faces:
        shape = predictor(frame, face)
        shape = np.array([[p.x, p.y] for p in shape.parts()])

        # 提取左右眼关键点（dlib 68点标准）
        rightEye = shape[36:42]   # 右眼
        leftEye  = shape[42:48]   # 左眼

        # 计算 EAR
        rightEAR = eye_aspect_ratio(rightEye)
        leftEAR  = eye_aspect_ratio(leftEye)
        ear = (leftEAR + rightEAR) / 2.0

        # 疲劳判断
        if ear < EYE_AR_THRESH:
            COUNTER += 1
            if COUNTER >= EYE_AR_CONSEC_FRAMES:
                frame = cv2AddChineseText(frame, "!!!!犯困!!!!", (250,250), (0,0,255), 50)
        else:
            COUNTER = 0
            drawEye(frame, leftEye)
            drawEye(frame, rightEye)

        # 显示 EAR 值
        frame = cv2AddChineseText(frame, f"EAR: {ear:.2f}", (10,30), (0,255,0), 30)

    cv2.imshow("Frame", frame)
    if cv2.waitKey(1) == 27:   # ESC 键退出
        break

dlib 68 个关键点分布：

🧪 四、运行效果与调参建议

正常状态（睁眼）

  • EAR 值通常在 0.25 ~ 0.35 之间

  • 眼睛凸包轮廓清晰可见

  • 画面显示绿色 EAR: 0.28

闭眼状态

  • EAR 值骤降到 0.10 以下

  • 连续闭眼超过 50 帧后，屏幕出现红色警告文字

参数调整指南

参数 作用 调整建议
EYE_AR_THRESH 判断闭眼的 EAR 阈值 可以打印几帧睁眼和闭眼的真实 EAR 值，取中间值
EYE_AR_CONSEC_FRAMES 连续闭眼多少帧算疲劳 摄像头 30fps 时，50 帧 ≈ 1.67 秒；想更灵敏就减小该值

⚠️ 五、常见问题与解决办法

问题 可能原因 解决方法
ImportError: No module named 'dlib' dlib 没装好 使用 conda install -c conda-forge dlib 或下载预编译 wheel
RuntimeError: Unable to open shape_predictor_68_face_landmarks.dat 模型文件路径不对 确保 .dat 文件在脚本同目录，或用绝对路径
中文显示为方框 字体文件不存在 修改 cv2AddChineseText 中的字体路径，或暂时用英文
EAR 值一直很低 光照差/眼镜反光/距离太远 调整阈值，或改善光照条件
程序卡顿 每帧检测计算量大 降低摄像头分辨率：cap.set(cv2.CAP_PROP_FRAME_WIDTH, 320)

🚀 六、改进方向（进阶挑战）

如果觉得基本功能已经掌握，不妨尝试以下扩展：

  1. 眨眼过滤：短时间闭眼再睁开是眨眼，不应报警。可以记录闭眼帧数小于某个值（如 5 帧）时忽略。

  2. 增加打哈欠检测 ：使用嘴巴关键点（60~67）计算嘴部纵横比 (MAR)。

  3. 头部姿态估计：判断是否低头或侧头。

  4. 使用 MediaPipe：替代 dlib，速度更快且不需要手动下载模型。

  5. 多线程加速：将人脸检测放在子线程中，提高实时性。

📚 七、总结

通过这个项目，你可以学到：

  • ✅ 使用 dlib 进行人脸关键点检测

  • ✅ 理解并实现眼睛纵横比 (EAR) 的计算

  • ✅ 实时视频流的处理框架（读帧 → 处理 → 显示）

  • ✅ 用 PIL 弥补 OpenCV 中文显示的不足

  • ✅ 一个完整的"规则型"疲劳检测系统（无需深度学习）

对于 OpenCV 初学者来说，这是一个非常棒的练手项目------既有理论支撑，又能立刻看到实际效果。

希望这篇笔记能帮你顺利跑通代码，也欢迎你在评论区交流遇到的问题！

📷 所有图片均为本人运行截图，如需转载注明出处即可。

如果觉得有用，记得点赞 + 收藏 ♥

相关推荐
AI周红伟2 小时前
Hermes Agent 工具-周红伟
linux·网络·人工智能·腾讯云·openclaw
杜子不疼.2 小时前
Python + AI 实战：用 LangChain 搭建企业级 RAG 知识库
人工智能·python·langchain
阿杰学AI2 小时前
AI核心知识118—大语言模型之 Software 2.0 （简洁且通俗易懂版）
人工智能·ai·语言模型·自然语言处理·aigc·编程·software 2.0
天天进步20152 小时前
[核心篇] 视频一致性算法：Toonflow 是如何处理视频闪烁问题的？
人工智能
中科岩创2 小时前
数字传感护华为数字能源大厦，控制加固施工安全风险！
人工智能·科技·物联网
甄心爱学习2 小时前
【项目实训(个人3)】
vue.js·人工智能·python·个人开发
Bat U2 小时前
JavaEE|计算机是如何工作的
java·人工智能
AI先驱体验官2 小时前
BotCash：AI智能体变现从小 Demo 到商业产品的距离
大数据·人工智能·深度学习·重构·aigc
輕華2 小时前
OpenCV三大传统人脸识别算法：EigenFace、FisherFace与LBPH实战
人工智能·opencv·算法
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02一周AI热点速览（2026.03.31-04.06）：GPT-6曝光、谷歌开源Gemma 4、资本狂飙与模型军备竞赛03GitHub 镜像站点04基于 Docker 部署 Hermes Agent 并接入飞书机器人的完整指南05免费！不限量！用opencode接入英伟达（NVIDIA）大模型，轻松打造你的 AI 编程助手06AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析07Oh My Codex 快速使用指南08CodeBuddy与WorkBuddy深度对比：腾讯两款AI工具差异及实操指南09从限购到畅通：GLM-5.1 Coding Plan接入攻略10LLM Wiki：让大模型替你打理知识库的完整指南