intel OneAPI 黑客松 —— 基于intel Python 驾驶员疲劳检测方案

我参加本次intel 黑客松 分享奖的评选。请为我助力吧！

---

背景

驾驶疲劳是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。

根据国家相关部门统计的数字,全国平均每天发生的交通事故在5万起左右。每年因交通事故死亡的人数在10万人左右,也就是说每天平均要死亡300多人。

这300多人中可能有结伴去旅游的朋友，有负责异地往返送货的货车司机，有公司组织出差的打工人，还有返乡探亲的全家人等等…

本次黑客松，我计划实现一个基于intel Python 驾驶员疲劳检测方案

环境准备

Windows 10系统

DLib库安装

dlib是一个开源的机器学习库，具有一系列高性能的算法和工具，包括人脸检测、图像分割、目标检测、人脸关键点检测、人脸特征提取等。它包含了基于统计学的机器学习算法，如支持向量机（SVM）、回归、聚类和随机森林等，也包括深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）和变分自编码器（VAE）等。

安装anconda python 3.9

直接从清华源下载（百度一下）点击anaconda

直接根据提示一步一步安装就好了。

配置conda的国内源

刚才勾选了Add Anaconda3 to my PATH environment variable 选项的同学。点击桌面的搜索框，输入CMD，打开命令行（没有勾选的同学，输入“Anaconda Prompt”）这一步可以直接百度，非常简单。

安装并验证DLib

conda install -c conda-forge dlib

直接在命令行输入：python回车，进入python环境。然后输入：import dlib 回车，没有任何报错和输出就是安装完毕了。

intel Python 及相关库安装

win环境下我们已经安装了conda，使用conda环境去下载对应包就可以了。这个官网有写，就不在阐述了。

驾驶员疲劳检测实现原理

车内驾驶员疲劳监测技术，本质上是在行驶过程中捕捉并分析驾驶员的生物行为信息，比如眼睛、脸部、心脏、脑电活动，等等的技术等等。然而心跳活动和脑电监测由于受接触的限制，没有在车内批量应用。当前最多被采用的疲劳检测手段是驾驶员驾车行为分析，即通过记录和解析驾驶员转动方向盘、踩刹车等行为特征，判别驾驶员是否疲劳。但是这种方式受驾驶员驾驶习惯影响极大。另一大类别的检测方法是：通过图像分析手段对驾驶员脸部与眼睛特征进行疲劳评估。

基于人脸表面特征的疲劳检测，主要分为三个部分，打哈欠、眨眼、点头。本实验从人脸朝向、位置、瞳孔朝向、眼睛开合度、眨眼频率、瞳孔收缩率等数据入手，并通过这些数据，实时地计算出驾驶员的注意力集中程度，分析驾驶员是否疲劳驾驶和及时作出安全提示。

视觉疲劳检测原理：因为人在疲倦时大概会产生两种状态： 眨眼：正常人的眼睛每分钟大约要眨动10-15次，每次眨眼大概0.2-0.4秒，如果疲倦时眨眼次数会增多，速度也会变慢。打哈欠：此时嘴会长大而且会保持一定的状态。因此检测人是否疲劳可以从眼睛的开合度，眨眼频率，以及嘴巴张合程度来判断一个人是否疲劳。

具体实现

1.眨眼计算疲劳

（1） 计算眼睛的宽高比
基本原理：计算 眼睛长宽比 Eye Aspect Ratio，EAR.当人眼睁开时，EAR在某个值上下波动，当人眼闭合时，EAR迅速下降，理论上会接近于零，当时人脸检测模型还没有这么精确。所以我们认为当EAR低于某个阈值时，眼睛处于闭合状态。为检测眨眼次数，需要设置同一次眨眼的连续帧数。眨眼速度比较快，一般1~3帧就完成了眨眼动作。两个阈值都要根据实际情况设置。
（2）当前帧两双眼睛宽高比与前一帧的差值的绝对值（EAR）大于0.2，则认为是疲劳

import cv2  
  
# 定义眼睛宽度和高度的比例  
ear = 0.2  
  
# 定义同一次眨眼的连续帧数  
consecutive_frames = 3  
  
# 初始化前一帧的眼睛宽度和高度的比例为0  
prev_ear = 0