甘南藏族自治州网站建设_网站建设公司_HTTPS_seo优化

一 人脸检测

进行获取数据包

1 传入参数

orderDict（） 按照循序进行导入字典 拒绝乱序

主要优势：字典格式更灵活，特别是当需要将参数传递给其他函数时。

FACIAL_LANDMARKS_68_IDXS = OrderedDict([ ("mouth", (48, 68)), # 嘴巴区域：关键点48-68 ("right_eyebrow", (17, 22)), # 右眉毛：关键点17-22 ("left_eyebrow", (22, 27)), # 左眉毛：关键点22-27 ("right_eye", (36, 42)), # 右眼：关键点36-42 ("left_eye", (42, 48)), # 左眼：关键点42-48 ("nose", (27, 36)), # 鼻子：关键点27-36 ("jaw", (0, 17)) # 下颌线：关键点0-17 ])

FACIAL_LANDMARKS_5_IDXS = OrderedDict([ ('right_eye', (2, 3)), # 右眼：索引2和3 ('left_eye', (0, 1)), # 左眼：索引0和1 ('nose', (4)) # 鼻子：索引4 ])

2 导入人脸检测的工具包并进行预处理

detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor(args["shape_predictor"]) • detector：这是您图片中被红框特别标注的核心对象。 它是一个使用方向梯度直方图（HOG）特征和线性SVM分类器的预训练人脸检测器。 它的作用是在图像中找出人脸的位置，返回一个或多个表示人脸位置的矩形框。 • predictor：这是一个预训练的关键点定位器，通常基于回归树集合或深度学习模型训练 。给定一个包含人脸的图像区域，它能精确预测出这个区域内68个 （或5个）​ 预先定义好的面部关键点的坐标。 工作关系：通常先使用 detector找到人脸，然后将每个人脸区域和原图（或灰度图） 传递给 predictor，以获得精细的关键点。

3 进行人脸检测并遍历所有的框

‘

rects = detector(gray, 1) 返回值： rects：包含所有人脸边界框的列表 每个边界框是dlib的rectangle对象，包含人脸的位置 内部原理： detector使用HOG（方向梯度直方图）特征+SVM分类器 在图像上滑动窗口，检测人脸 参数1表示对图像上采样一次，增加检测小脸的能力

shape = predictor(gray, rect) predictor：加载的dlib关键点预测器。 参数：(gray, rect)- 当前帧的灰度图像和当前人脸框。 返回：一个dlib的full_object_detection对象，包含68个（或5个）面部关键点的坐标。 获取坐标值 coords = np.zeros((shape.num_parts, 2), dtype=dtype) shape.num_parts：获取关键点的总数 对于68点模型：68 对于5点模型：5 np.zeros((N, 2), dtype=dtype)：创建N行2列的全零数组 示例：68点模型会创建形状为(68, 2)的数组

shape.part(i).x：获取第i个关键点的x坐标 shape.part(i).y：获取第i个关键点的y坐标 coords[i] = (x, y)：将坐标赋值给数组的第i行

4 遍历每一个区域

用于提取感兴趣区域（Region of Interest）

(x,y,w,h)=cv2.boundingRect(np.array([shape[i:j]])) shape[i:j]：从关键点数组中提取特定区域的点 shape是关键点数组，形状为(68, 2)或(5, 2) i, j是特定区域的起始和结束索引 np.array([shape[i:j]])：将点列表转换为NumPy数组 cv2.boundingRect()：计算能包围这些点的最小外接矩形 返回值： (x, y)：矩形左上角坐标 (w, h)：矩形的宽度和高度

5 展示所有区域

ull = cv2.convexHull(pts) 什么是凸包？ 凸包是包含所有给定点的最小凸多边形。想象在木板上钉钉子， 用橡皮筋套住所有钉子形成的形状就是凸包。 参数详解： pts：关键点数组，形状为(N, 2)，其中N是该区域的关键点数量 例如，右眼区域有6个点：pts = shape[36:42] 返回值hull：一个NumPy数组，包含凸包的顶点坐标

二 疲劳检测

1 求距离

dist.euclidean() 计算两点之间的欧几里得距离 EAR公式：(垂直距离1 + 垂直距离2) / (2 × 水平距离) 当眼睛完全睁开时，EAR值最大 当眼睛闭合时，EAR值接近0

2 设置参数

小于0.3的时候开始眨眼 当持续3帧的时候当一次眨眼

当小于0.3的时候counter加1 当counter加到3的时候total加1

3 需要将图像区域调大一些 这样方便检测到人脸 要不然人脸太小的化 人脸检测器检测不到

4 进行绘制

leftEye = shape[lStart:lEnd] lStart和 lEnd：左眼区域的起始和结束索引 对于68点模型，左眼通常是索引42-47 结果：包含6个(x, y)坐标的数组

cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
关键区别：
位置：(300, 30)，避免与眨眼计数重叠
格式：{:.2f}保留两位小数
内容：显示当前帧的眼睛纵横比
第6行：显示图像窗口