深夜赶项目的程序员小张盯着屏幕打了个哈欠，突然想起上周写的疲劳检测工具还没调通。今天咱们就聊聊怎么用68个人脸特征点捕捉这种“灵魂出窍“的瞬间，关键时刻能救命

采用caffe68点检测人脸特征点，识别疲劳，当眼睛缝隙小，则认为是疲劳，有python,c++版本。

先准备个能打的面部定位工具，这里我翻出了珍藏的Caffe版68点检测模型（prototxt和caffemodel文件得提前准备好，放模型目录里别乱跑）。Python版本用OpenCV的dnn模块加载最方便：

# Python版模型加载 net = cv2.dnn.readNetFromCaffe( "face_detector/68point_deploy.prototxt", "face_detector/68point_model.caffemodel" )

C++选手别急，咱们的代码也照顾到了：

// C++版模型加载 cv::dnn::Net net = cv::dnn::readNetFromCaffe( "face_detector/68point_deploy.prototxt", "face_detector/68point_model.caffemodel" );

抓取人脸关键点时有个坑要注意：输入图片的归一化方式得和模型训练时一致。比如有些模型要求像素值从0-255缩放到-1到1，有的则用均值减法，这个不搞清楚定位准头就差远了。

拿到68个点坐标后，重点锁定眼睛区域。以左眼为例（36-41号点），计算眼睛睁开程度的套路是这样的：

def eye_aspect_ratio(eye_points): # 计算垂直方向两组距离 A = np.linalg.norm(eye_points[1] - eye_points[5]) B = np.linalg.norm(eye_points[2] - eye_points[4]) # 计算水平方向距离 C = np.linalg.norm(eye_points[0] - eye_points[3]) return (A + B) / (2.0 * C)

当这个比值连续20帧低于0.25时（别照搬这个阈值，得根据实际效果调），就该触发警报了。实时检测时建议用环形队列保存最近30帧的状态，这样既省内存又能避免误判。

C++版本的计算逻辑类似，但得注意类型转换：

double calculateEAR(const vector<Point2f>& eyePoints) { double vertical1 = norm(eyePoints[1] - eyePoints[5]); double vertical2 = norm(eyePoints[2] - eyePoints[4]); double horizontal = norm(eyePoints[0] - eyePoints[3]); return (vertical1 + vertical2) / (2 * horizontal); }

实际部署时发现了几个骚操作：

1. 在光线不足的环境下，先做个直方图均衡化再检测
2. 侧脸时单眼闭合的情况要特殊处理
3. 戴眼镜的同学容易被反光干扰，加个ROI区域动态调整就好

最后上个Python版的完整流程示例：

cap = cv2.VideoCapture(0) eye_history = deque(maxlen=30) # 存最近30帧状态 while True: ret, frame = cap.read() # 人脸检测和关键点预测（此处省略） left_ear = eye_aspect_ratio(left_eye_points) right_ear = eye_aspect_ratio(right_eye_points) eye_history.append((left_ear + right_ear) / 2) if len(eye_history) == 30 and np.mean(eye_history) < 0.25: cv2.putText(frame, "WAKE UP!", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0,0,255), 2) cv2.imshow("Frame", frame)

开发这种功能最解压的时刻，就是看着检测框跟着人脸晃来晃去，比看ASMR还治愈。不过别光顾着玩，记得保存模型文件路径别写死，不然换台机器分分钟给你脸色看。