用Python的face_recognition库，5分钟搞定人脸关键点提取与疲劳检测（附完整代码）-洪萨配资

用Python的face_recognition库快速实现人脸关键点提取与疲劳检测

人脸识别技术正在从实验室走向日常生活，而face_recognition库让开发者能够轻松调用这项能力。今天我们就来探索如何用不到50行代码，构建一个实时疲劳检测系统。这个方案特别适合需要长时间盯着屏幕的程序员、司机等职业人群。

1. 环境准备与库安装

首先需要配置Python环境。推荐使用Python 3.7及以上版本，这个版本的兼容性最好。face_recognition库底层依赖dlib，而dlib的安装有时会遇到麻烦。以下是经过验证的安装方案：

pip install cmake # 必须先安装cmake pip install dlib==19.22.0 # 指定这个稳定版本 pip install face_recognition opencv-python

注意：如果在Windows上安装dlib失败，可以尝试先安装Visual Studio Build Tools中的C++开发组件

验证安装是否成功：

import face_recognition print(face_recognition.__version__) # 应该输出类似1.3.0的版本号

常见问题排查：

报错关于numpy版本：尝试pip install numpy==1.21.0
报错关于CMake：确保安装了最新版CMake并添加到系统PATH
Mac用户可能需要先运行xcode-select --install

2. 人脸关键点提取实战

face_recognition库内置了68点人脸特征检测模型，我们先用静态图片演示：

import face_recognition import cv2 image = face_recognition.load_image_file("person.jpg") face_landmarks = face_recognition.face_landmarks(image) # 可视化关键点 image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) for landmark in face_landmarks: for feature, points in landmark.items(): for point in points: cv2.circle(image, point, 2, (0,255,0), -1) cv2.imshow("Landmarks", image) cv2.waitKey(0)

关键点分布对应的人脸部位：

点范围	对应部位	应用场景
0-16	下巴轮廓	人脸对齐、姿态估计
17-21	右眉毛	表情识别
22-26	左眉毛	表情识别
27-35	鼻梁和鼻尖	3D建模、活体检测
36-41	右眼	疲劳检测、视线追踪
42-47	左眼	疲劳检测、视线追踪
48-67	嘴唇轮廓	唇语识别、表情分析

3. 疲劳检测算法实现

基于眼睛纵横比(Eye Aspect Ratio, EAR)的算法是疲劳检测的经典方法。原理很简单：当人疲劳时眨眼频率会变化，眼睛闭合时间变长。

计算EAR的公式：

def eye_aspect_ratio(eye_points): # 计算两组垂直距离 A = np.linalg.norm(eye_points[1] - eye_points[5]) B = np.linalg.norm(eye_points[2] - eye_points[4]) # 计算水平距离 C = np.linalg.norm(eye_points[0] - eye_points[3]) return (A + B) / (2.0 * C)

完整疲劳检测流程：

获取视频流（摄像头或视频文件）
逐帧检测人脸和关键点
计算双眼EAR值
设定阈值判断眼睛闭合
统计连续闭合帧数判断疲劳

实现代码核心部分：

# 初始化参数 EAR_THRESHOLD = 0.25 # 需根据实际调整 CONSEC_FRAMES = 15 # 连续多少帧低于阈值算疲劳 frame_counter = 0 alarm_on = False while True: _, frame = video_capture.read() rgb_frame = frame[:, :, ::-1] # BGR转RGB face_landmarks = face_recognition.face_landmarks(rgb_frame) for landmarks in face_landmarks: left_eye = landmarks["left_eye"] right_eye = landmarks["right_eye"] left_ear = eye_aspect_ratio(left_eye) right_ear = eye_aspect_ratio(right_eye) ear = (left_ear + right_ear) / 2.0 if ear < EAR_THRESHOLD: frame_counter += 1 if frame_counter >= CONSEC_FRAMES: if not alarm_on: print("疲劳警告！") alarm_on = True else: frame_counter = 0 alarm_on = False

4. 性能优化与实用技巧

在实际部署时，我们需要考虑性能和用户体验。以下是几个关键优化点：

多尺度检测优化

# 调整检测参数提高速度 face_locations = face_recognition.face_locations( rgb_frame, number_of_times_to_upsample=0, model="cnn")

参数调优经验值

场景	EAR阈值	连续帧数	检测间隔
驾驶员监测	0.22	20	每帧检测
电脑前疲劳提醒	0.25	15	隔帧检测
移动端应用	0.28	10	降分辨率

实用增强功能

添加声音报警：使用winsound(Windows)或pygame.mixer
保存疲劳片段：检测到疲劳时自动保存前后10秒视频
多线程处理：将视频采集和检测分离到不同线程

# 简单的多线程实现 import threading def detection_thread(): while True: # 检测逻辑 pass capture_thread = threading.Thread(target=detection_thread) capture_thread.daemon = True capture_thread.start()

5. 扩展应用与进阶方向

这个基础框架可以扩展出许多实用功能：

眨眼计数实现

blink_counter = 0 eye_closed = False if ear < EAR_THRESHOLD and not eye_closed: blink_counter += 1 eye_closed = True elif ear >= EAR_THRESHOLD: eye_closed = False

头部姿态估计

利用solvePnP算法和3D模型点，可以估计头部旋转角度：

# 3D模型参考点 model_points = np.array([ (0.0, 0.0, 0.0), # 鼻尖 (0.0, -330.0, -65.0), # 下巴 # 其他关键点... ], dtype=np.float64) # 2D图像点 image_points = np.array([ landmarks["nose_tip"][0], landmarks["chin"][8], # 其他对应点... ], dtype=np.float64) # 计算旋转向量和平移向量 _, rotation_vec, translation_vec = cv2.solvePnP( model_points, image_points, camera_matrix, dist_coeffs)

结合其他生理指标