基于Python卷积神经网络人脸识别驾驶员疲劳检测与预警系统设计毕业源码案例设计.zip

开发环境： Pycharm + Python3.6 + 卷积神经网络算法 基于人脸表面特征的疲劳检测，主要分为三个部分，打哈欠、眨眼、点头。本实验从人脸朝向、位置、瞳孔朝向、眼睛开合度、眨眼频率、瞳孔收缩率等数据入手，并通过这些数据，实时地计算出驾驶员的注意力集中程度，分析驾驶员是否疲劳驾驶和及时作出安全提示。 视觉疲劳检测原理：因为人在疲倦时大概会产生两种状态： 眨眼：正常人的眼睛每分钟大约要眨动10-15次，每次眨眼大概0.2-0.4秒，如果疲倦时眨眼次数会增多，速度也会变慢。打哈欠：此时嘴会长大而且会保持一定的状态。因此检测人是否疲劳可以从眼睛的开合度，眨眼频率，以及嘴巴张合程度来判断一个人是否疲劳。 检测工具 dlib ：一个很经典的用于图像处理的开源库，shape_predictor_68_face_landmarks.dat是一个用于人脸68个关键点检测的dat模型库，使用这个模型库可以很方便地进行人脸检测，并进行简单的应用。 眨眼计算原理： （1） 计算眼睛的宽高比 基本原理：计算 眼睛长宽比 Eye Aspect Ratio，EAR.当人眼睁开时，EAR在某个值上下波动，当人眼闭合时，EAR迅速下降，理论上会接近于零，当时人脸检测模型还没有这么精确。所以我们认为当EAR低于某个阈值时，眼睛处于闭合状态。为检测眨眼次数，需要设置同一次眨眼的连续帧数。眨眼速度比较快，一般1~3帧就完成了眨眼动作。两个阈值都要根据实际情况设置。 （2）当前帧两双眼睛宽高比与前一帧的差值的绝对值（EAR）大于0.2，则认为是疲劳 代码思路 第一步：使用dlib.get_frontal_face_detector() 获得脸部位置检测器 第二步：使用dlib.shape_predictor获得脸部特征位置检测器 第三步：分别获取左右眼面部标志的索引 第四步：打开cv2 本地摄像头 第五步：从视频流进行循环，读取图片，并对图片做维度扩大，并进灰度化 第六步：使用detector(gray, 0) 进行脸部位置检测 第七步：循环脸部位置信息，使用predictor(gray, rect)获得脸部特征位置的信息 第八步：将脸部特征信息转换为数组array的格式 第九步：提取左眼和右眼坐标 第十步：构造函数计算左右眼的EAR值，使用平均值作为最终的EAR 第十一步：使用cv2.convexHull获得凸包位置，使用drawContours画出轮廓位置进行画图操作 第十二步：进行画图操作，用矩形框标注人脸 第十三步：分别计算左眼和右眼的评分求平均作为最终的评分，如果小于阈值，则加1，如果连续3次都小于阈值，则表示进行了一次眨眼活动 第十四步：进行画图操作，68个特征点标识 第十五步：进行画图操作，同时使用cv2.putText将眨眼次数进行显示 第十六步：统计总眨眼次数大于50次屏幕显示睡着。