1.dist.eculidean(A, B) # 求出A和B点的欧式距离
参数说明：A，B表示位置信息
2.dlib.get_frontal_face_detector()表示脸部位置检测器
3.dlib.shape_predictor(args['shape_predictor]) 表示脸部特征位置检测器
参数说明：args['shape_predictor'] 表示位置信息
4.Orderdict([('mouth', (23, 30))]) # 构造有序的字典
参数说明：'mouth'表示字典的键，(23, 30) 表示字典的值
使用人脸检测可以获得人脸框的位置信息，再使用人脸框的关键点检测，检测出各个人脸部分的位置
眨眼检测：主要是通过检测脸部6个点，即 A = dist.euclidean(eye[2], eye[4]), 即眼部的2号点与4号点的欧式距离
B = dist.euclidean(eye[1], eye[5]) C = dist.euclidean(eye[0], eye[3]) # 即1号点与5号点的位置， 0号点与3号点的欧式距离
EAR = (A + B) / 2 * C， 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
代码：
第一步：使用OrderedDict() 构建有序的脸部位置序号字典
第二步：使用argparse构造出可以传入的参数
第三步：使用dlib.get_frontal_face_detector()获得脸部位置检测器
第四步：使用dlib.shape_predictor构造脸部特征检测器
第五步：进入循环，读取图片，对图片维度进行扩大，方便进行脸部特征检测，同时进行灰度化，为了脸部特征检测做准备
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，使用predictor(gray, rect)获得脸部特征的位置信息
第八步：将脸部特征的位置信息转换为数组的形式
第九步：根据字典的序号，获得左眼和右眼的位置array
第十步：使用cv2.convexHull构造左右眼的凸包，并使用cv2.drawContours完成画图操作
第十一步：构造函数计算左右眼的EAR值，使用平均值作为最终的EAR
第十二步：循环，满足条件的，眨眼次数+1
第十三步：进行画图操作，同时使用cv2.putText将眨眼次数进行显示
import cv2 import numpy as np import argparse import time import dlib from scipy.spatial import distance as dist from collections import OrderedDict def shape_to_array(shape, dtype='int'): coords = np.zeros((shape.num_parts, 2), dtype=dtype) for i in range(shape.num_parts): coords[i] = (shape.part(i).x, shape.part(i).y) return coords def accu_angle_eye(eye): 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]) aspect_ratio = (A + B) / (2.0 *C) return aspect_ratio # 第一步：使用OrderedDict构造脸部特征序号的有序字典 FACE_LANDMAKE_64_IDEX = OrderedDict([ ("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)) ]) # EAR的阈值 BlINK_THRESH = 0.3 # 眨眼帧数的阈值 BLINK_TRUE = 3 # 低于阈值的次数 count_blink = 0 # 眨眼次数 Total = 0 # 第二步：使用argparse构造变量参数 ap = argparse.ArgumentParser() ap.add_argument('-p', '--shape-predictor', default='shape_predictor_68_face_landmarks.dat', help='the weight to predictor') ap.add_argument('-v', '--video', default='test.mp4', help='the video to read') args = vars(ap.parse_args()) # 第三步：使用dlib.get_frontal_face_detector() 获得脸部位置检测器 detector = dlib.get_frontal_face_detector() # 第四步：使用dlib.shape_predictor获得脸部特征检测器 predictor = dlib.shape_predictor(args['shape_predictor']) vs = cv2.VideoCapture(args['video']) time.sleep(1) (lstart, lend) = FACE_LANDMAKE_64_IDEX['left_eye'] (rstart, rend) = FACE_LANDMAKE_64_IDEX['right_eye'] while True: # 第五步：进行循环，读取图片，并对图片做维度扩大，并进灰度化 frame = vs.read()[1] (h, w) = frame.shape[:2] width = 1200 r = width / float(w) dim = (width, int(r*h)) frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA) gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 第六步：使用detector(gray, 0)获得脸部位置信息 rects = detector(gray, 0) # 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 for rect in rects: shape = predictor(gray, rect) # 第八步：将脸部特征信息转换为数组array的格式 shape = shape_to_array(shape) # 第九步：根据字典，获得左眼和右眼的位置信息 leftEye = shape[lstart:lend] rightEye = shape[rstart:rend] # 第十步：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 leftContours = cv2.convexHull(leftEye) rightContours = cv2.convexHull(rightEye) cv2.drawContours(frame, [leftContours], -1, (0, 255, 0), 1) cv2.drawContours(frame, [rightContours], -1, (0, 255, 0), 1) # 第十一步：计算左右眼的EAR值，获得其平均值 leftScore = accu_angle_eye(leftEye) rightScore = accu_angle_eye(rightEye) meanScore = (leftScore + rightScore) / 2.0 #第十二步：循环，满足条件，眨眼次数+1 if meanScore < BlINK_THRESH: count_blink += 1 else: if count_blink >= BLINK_TRUE: Total += 1 count_blink = 0 # 第十三步：进行画图，使用cv2.putText展示眨眼次数 cv2.putText(frame, 'Blinks: {}'.format(Total), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 1) cv2.putText(frame, 'EAR {:.2f}'.format(meanScore), (300, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 1) cv2.imshow('frame', frame) if cv2.waitKey(10) & 0xff == 27: break vs.release() cv2.destroyAllWindows()
效果图
