项目实战 疲劳检测
本文核心词:教程,图像处理,人脸检测,python,opencv,关键点检测,疲劳检测
我们在上次已经讲过人脸的关键点定位,用到了Dlib的库,这次我们将其用于疲劳检测。
代码实现
1、导入工具包
view plaincopy to clipboardprint?
from scipy.spatial import distance as dist
import numpy as np
import dlib
import CV2
接下来老样子。
2、对脸上的部位进行定义
在关键点定位的官方文档中,提取68个关键点来表示脸上的部位。其中:
第1个点到第17个点:脸颊;
第18个点到第22个点:右边眉毛;
第23个点到第27个点:左边眉毛;
第28个点到第36个点:鼻子;
第37个点到第42个点:右眼;
第43个点到第48个点:左眼;
第49个点到第68个点:嘴巴。
如下图所示:
view plaincopy to clipboardprint?
FACIAL_LANDMARKS_68_IDXS = dict([
(mouth, (48, 68)),
(right_eyebrow, (17, 22)),
(left_eyebrow, (22, 27)),
(right_eye, (36, 42)),
(left_eye, (42, 48)),
(nose, (27, 36)),
(jaw, (0, 17))
])
3、EAR(eye aspect ratio)计算函数
在论文:Real-Time Eye Blink Detection using Facial Landmarks中,EAR的概念被提出。
在包含着人眼的图片中画出六个点,如图所示:
当人眨眼时,这六个点的距离会发生变化,则可以用这六个点的一些距离关系来判断是否有眨眼行为。
定义EAR函数:
view plaincopy to clipboardprint?
def eye_aspect_ratio(eye):
# 计算距离,竖直的
A = dist.euclidean(eye[1], eye[5])
B = dist.euclidean(eye[2], eye[4])
# 计算距离,水平的
C = dist.euclidean(eye[0], eye[3])
# ear值
ear = (A + B) / (2.0 * C)
return ear
5、设置判断参数
如果EAR小于0.3,则判断为闭眼,如果视频中有连续三帧以上都有闭眼,则判断为眨眼行为
view plaincopy to clipboardprint?
# 设置判断参数
EYE_AR_THRESH = 0.3# ear小于0.3判断为闭眼
EYE_AR_CONSEC_FRAMES = 3# 连续三帧ear都小于0.3判断为眨眼
# 初始化计数器
COUNTER = 0
TOTAL = 0
6、加载dlib库中的人脸检测与关键点定位
view plaincopy to clipboardprint?
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(shape_predictor_68_face_landmarks.dat)
7、分别取两个眼睛区域
view plaincopy to clipboardprint?
(lStart, lEnd) = FACIAL_LANDMARKS_68_IDXS[left_eye]
(rStart, rEnd) = FACIAL_LANDMARKS_68_IDXS[right_eye]
8、读取视频
view plaincopy to clipboardprint?
vs = CV2.VideoCapture(test.mp4)
9、对每一帧图片进行操作,实现功能
·读取一帧图片并做预处理操作;
·检测人脸;
·获取人脸上的关键点坐标;
·绘制眼睛区域;
·计算左右两眼的EAR值,取平均值得到总的EAR值;
·检查EAR值是否满足阈值,如果满足,眨眼次数加一;
·将总的眨眼次数写在视频中。
view plaincopy to clipboardprint?
# 遍历每一帧
while True:
# 预处理
frame = vs.read()[1]
if frame is None:
break
(h, w) = frame.shape[:2]
width=1200
r = width / float(w)
dim = (width, int(h * r))
frame = CV2.resize(frame, dim, interpolation=CV2.INTER_AREA)
gray = CV2.cvtColor(frame, CV2.COLOR_BGR2GRAY)
# 检测人脸
rects = detector(gray, 0)
# 遍历每一个检测到的人脸
for rect in rects:
# 获取坐标
shape = predictor(gray, rect)
shape = shape_to_np(shape)
# 分别计算ear值
leftEye = shape[lStart:lEnd]
rightEye = shape[rStart:rEnd]
leftEAR = eye_aspect_ratio(leftEye)
rightEAR = eye_aspect_ratio(rightEye)
# 算一个平均的
ear = (leftEAR + rightEAR) / 2.0
# 绘制眼睛区域
leftEyeHull = CV2.convexHull(leftEye)
rightEyeHull = CV2.convexHull(rightEye)
CV2.drawContours(frame, [leftEyeHull], -1, (0, 255, 0), 1)
CV2.drawContours(frame, [rightEyeHull], -1, (0, 255, 0), 1)
# 检查是否满足阈值
if earEYE_AR_THRESH:
COUNTER += 1
else:
# 如果连续几帧都是闭眼的,总数算一次
if COUNTER = EYE_AR_CONSEC_FRAMES:
TOTAL += 1
# 重置
COUNTER = 0
# 显示
CV2.putText(frame, Blinks: {}.format(TOTAL), (10, 30),
CV2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
CV2.putText(frame, EAR: {:.2f}.format(ear), (300, 30),
CV2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
CV2.imshow(Frame, frame)
key = CV2.waitKey(10)0xFF
if key == 27:
break
vs.release()
CV2.destroyAllWindows()
我们可以看最终效果。
OpenVINO技术交流群QQ223824636
申请时备注:B站
好啦,以上就是项目实战 疲劳检测全部内容,都看到这里了还不收藏一下??搜索(教程,图像处理,人脸检测,python,opencv,关键点检测,疲劳检测)还能找到更多精彩内容。