《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论入门的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面（表情识别、驾驶员疲劳监测、识别性别与年龄等）案例。
本文简要截取书中第38个案例（驾驶员疲劳监测）的部分内容。更多内容大家可以参考书中第28章《人脸识别应用》。
疲劳驾驶极易引起交通事故，其一个重要表现就是犯困，眼睛会在超过正常眨眼的时间内一直处于闭合状态。因此，可以通过眼睛的纵横比（高宽比）来判断眼睛是否闭合（眨眼），进而判断驾驶员是否处于疲劳驾驶状态。
如图1所示，对睁眼、闭眼的情况进行了演示，其中：
左侧是正常的睁眼状态，眼睛的高度与宽度的比值在0.3左右。右侧是闭眼（眨眼）状态，眼睛的高度与宽度的比值在0左右。
图1 眼睛模型
具体来说，Dlib使用6个关键点来标注眼睛，因此其高宽比的计算方式为：
下一步，需要判断正常的眨眼和长时间闭眼（疲劳）的区别。正常情况下，眨眼是一瞬间，而疲劳的闭眼是相对较长时间的。例如，在图2中：
上图中，高宽比仅仅在一瞬间处于较小值（约0），其余时间都是正常值（约0.3），此时对应的是正常眨眼。下图中，高宽比在某一个较长时间内都处于较小值（约0），此时对应的是长时间闭眼。如果它的时长超过了我们事先规定的阈值，则将该状态判定为疲劳状态。
图2 眼睛高宽比
因此，在判断眼睛高宽比的基础上，还要衡量眼睛高宽比所持续的时间。反映到视频帧中，要增加一个计数器，该计数器的工作方式为：
眼睛高宽比小于0.3时，认为当前帧眼睛处于闭合状态，计数器加1。并判断计数器的值，如果计数器大于阈值（例如48），则认为眼睛闭合的时间过长了，提示风险；如果小于等于阈值认为眼睛闭合的时间在正常范围内，当前的闭眼，仅仅是眨眼，无需任何额外处理。眼睛高宽比大于等于0.3时，当前帧眼睛处理睁开状态，将计数器清零。保证下次闭眼时，计数器能够从零开始重新计数。
根据上述分析，具体实现流程图如图3所示。
图3 流程图
本案例中，使用到了Dlib，它是一个现代工具包，包含机器学习算法和工具，用于在程序中构造软件来解决复杂的现实世界问题。它被工业界和学术界广泛应用于机器人、嵌入式设备、移动电话和大型高性能计算环境等领域。Dlib的开源许可允许用户在任何应用程序中免费使用它。
【核心代码截取（书中附有全部代码）】使用Dlib进行疲劳检测。
# ==============获取图像内的左眼、右眼对应的关键点集==============def getEYE(image,rect):landmarks=predictor(image, rect)# 关键点处理为(x,y)形式shape = np.matrix([[p.x, p.y] for p in landmarks.parts()])# 计算左眼、右眼leftEye = shape[42:48] #左眼，关键点索引从42到47（不包含48）rightEye = shape[36:42] #右眼，关键点索引从36到41（不包含42）return leftEye,rightEye# ============计算眼睛的纵横比（小于0.3太小是闭眼或眨眼、超过0.3是睁眼）==========def eye_aspect_ratio(eye):# 眼睛用6个点表示。上下各两个，左右一个，结构如下所示：#---------------------------------------------# 1 2# 0 3 <----这是眼睛的6个关键点# 5 4#---------------------------------------------# 欧氏距离（垂直方向上的两个距离1和5、 2和4）A = dist.euclidean(eye[1], eye[5])B = dist.euclidean(eye[2], eye[4])# 欧氏距离（水平距离0和3）C = dist.euclidean(eye[0], eye[3])#纵横比ear = (A + B) / (2.0 * C)return ear# ================计算两眼的纵横比均值========================def earMean(leftEye,rightEye):# 计算左眼纵横比leftEAR、右眼纵横比rightEARleftEAR = eye_aspect_ratio(leftEye)rightEAR = eye_aspect_ratio(rightEye)# 均值处理ear = (leftEAR + rightEAR) / 2.0return ear# ==============绘制眼框（眼眶的包围框）=======================def drawEye(eye):# 把眼睛圈起来1：convexHull，获取凸包eyeHull = cv2.convexHull(eye)# 把眼睛圈起来2：drawContours,绘制凸包对应的轮廓cv2.drawContours(frame, [eyeHull], -1, (0, 255, 0), 1)
运行结果如图2所示，当眼睛的高宽比长时间低于阈值时，会显示危险提示“DANGEROUS！！！”。
图2 效果显示
第28章《人脸识别应用》中还介绍了人脸表情识别、易容术、识别性别年龄等案例的基本原理和实现过程。欢迎大家在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》第28章《人脸应用案例》中获取更详细的内容。
书中包含的人脸识别相关案例有：
人脸检测人脸识别勾勒五官人脸对齐表情识别疲劳驾驶检测易容术性别与年龄识别
