weixin_330459611. 项目背景与核心思路
在计算机视觉领域，疲劳驾驶检测一直是个热门且实用的研究方向。传统方案往往依赖昂贵的专业设备或复杂的传感器阵列，而基于普通摄像头的视觉方案则具有显著的成本优势。这个项目采用OpenCV+dlib的组合，通过实时计算眼睛纵横比(Eye Aspect Ratio, EAR)来实现轻量级疲劳检测。
我最早接触这个技术是在开发车载安全系统时，当时需要一种能在树莓派上实时运行的方案。经过多次迭代发现，EAR算法在准确性和计算效率之间取得了很好的平衡。相比基于深度学习的方法，这个方案对硬件要求极低，单核CPU就能流畅运行，非常适合嵌入式部署。
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. 核心原理与算法解析
2.1 面部关键点检测
dlib库的68点面部landmark检测是这个项目的基础。具体到眼部区域，每只眼睛对应6个特征点（从右眼外角顺时针编号）：
code复制右眼：36-41
左眼：42-47
这些点分别标记了眼睑的四个角点和上下边缘中点。实测发现，在640x480分辨率下，dlib的检测精度足以满足EAR计算需求。
2.2 EAR计算公式推导
眼睛纵横比的计算公式看似简单却非常精妙：
code复制EAR = (||p2-p6|| + ||p3-p5||) / (2 * ||p1-p4||)
其中p1-p6对应眼周六个特征点。分子计算垂直方向的两段距离之和，分母计算水平方向距离。当眼睛闭合时，分子趋近于0导致EAR值骤降。
通过大量实验数据统计，我们得出经验阈值：
- EAR > 0.25：睁眼状态
- EAR ≤ 0.25：闭眼状态
这个阈值对亚洲人眼型可能需要微调至0.2-0.23。
3. 完整实现步骤
3.1 环境配置
推荐使用conda创建虚拟环境：
bash复制conda create -n fatigue_detection python=3.8
conda install -c conda-forge opencv dlib
特别注意：dlib的pip安装可能需要先安装CMake和Visual Studio Build Tools（Windows平台）。
3.2 关键代码实现
python复制from scipy.spatial import distance
def e