1. 项目概述:视觉疲劳驾驶检测的行业痛点
疲劳驾驶是道路交通安全领域的顽固难题。根据交通管理部门统计,约20%的重大交通事故与驾驶员疲劳状态直接相关。传统基于面部特征的疲劳检测方案存在光照敏感、头部遮挡适应性差等缺陷,而基于方向盘的握力检测又难以覆盖所有车型。
这个开源项目提供了一套完整的视觉疲劳检测工作流解决方案,包含从数据采集到模型部署的全流程代码。与商业方案相比,其创新点在于:
- 采用多模态特征融合(眼部闭合度+头部姿态+打哈欠频率)
- 引入时序建模处理连续帧特征
- 提供轻量化模型适配边缘设备
- 完整开源可二次开发的代码基线
提示:项目代码采用Apache 2.0协议,允许商用但需保留版权声明
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 核心检测逻辑设计
系统采用三级检测策略降低误报率:
- 初级过滤层:基于MediaPipe的面部特征点检测(468个3D点)
- 特征计算层:
- 眼部纵横比(EAR)计算:每帧计算双眼的闭合程度
python复制def eye_aspect_ratio(eye_points): # 计算垂直距离 A = np.linalg.norm(eye_points[1] - eye_points[5]) B = np.linalg.norm(eye_points[2] - eye_points[4]) # 计算水平距离 C = np.linalg.norm(eye_points[0] - eye_points[3]) return (A + B) / (2.0 * C)- 头部姿态估计:通过solvePnP算法计算欧拉角
- 嘴部开合度:检测打哈欠行为
- 决策融合层:LSTM网络处理时序特征,当连续3帧EAR<0.2且头部俯仰角>20°时触发警报
2.2 模型轻量化方案
为适配车载边缘设备,项目提供两种优化方案:
- 方案A:MobileNetV3+BiLSTM(FLOPs 1.2G)
- 方案B:自定义轻量CNN+GRU(FLOPs 0.8G)
实测对比数据:
| 模型类型 | 参数量 | 推理时延(1080
