OpenCV DNN 实战：PFLD 实现疲劳检测

张开发
• 2026/4/22 17:42:09 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

OpenCV DNN 实战：PFLD 实现疲劳检测
疲劳驾驶是交通事故的主要诱因之一。如果能在事故发生前及时预警，或许能挽救无数生命。今天，我们将使用 OpenCV 的 DNN 模块加载 PFLD（Practical Facial Landmark Detector）模型，实现一个轻量级、高精度的疲劳检测系统。一、为什么选择 PFLD？在疲劳检测领域，人脸关键点检测的精度和速度至关重要。PFLD 算法的出现解决了几个核心痛点：精度高：在 300W 和 AFLW 等主流数据集上达到当时最先进的精度速度快：在 ARM 安卓设备上可达 140fps，CPU 上比同类算法快 2000 倍模型小：模型文件仅 2.1MB，适合移动端部署鲁棒性强：针对大姿态、极端光照、遮挡等场景进行了优化PFLD 的网络结构由主网络和辅助网络两部分组成：主网络：使用轻量级 MobileNet-V2 Block 替代传统卷积，预测关键点位置辅助网络：训练时预测人脸姿态（yaw、pitch、roll 三个欧拉角），用于修正损失函数，测试时不参与这种设计既保证了精度，又兼顾了推理速度。二、疲劳检测原理基于 PFLD 的疲劳检测主要依赖三个特征参数：2.1 眼部特征——眨眼频率通过眼部关键点计算眼睛纵横比（EAR，Eye Aspect Ratio）：textEAR = (||p2-p6|| + ||p3-p5||) / (2 * ||p1-p4||)当 EAR 低于阈值时判定为闭眼，统计单位时间内闭眼次数即可得到眨眼频率。2.2 嘴部特征——打哈欠嘴部纵横比（MAR，Mouth Aspect Ratio）的检测方式类似：textMAR = (||p2-p8|| + ||p3-p7|| + ||p4-p6||) / (3 * ||p1-p5||)当 MAR 超过阈值且持续时间较长时，判定为打哈欠。2.3 头部姿态——点头频率PFLD 的辅助网络可以输出头部欧拉角（yaw、pitch、roll），通过 pitch 角的变化可检测点头动作。2.4 多特征融合单一特征容易误判，学术界普遍采用多特征融合策略。改进的 PERCLOS 算法综合考虑眨眼、哈欠、点头三个维度，可达到 90% 以上的疲劳识别率。三、环境准备3.1 安装依赖bashpip install opencv-python opencv-contrib-python numpy3.2 下载模型PFLD 的 ONNX 模型可以从以下地址获取：官方项目页：https://sites.google.com/view/xjguo/fld或使用转换后的 ONNX 版本（推荐）将模型文件 pfld.onnx 放在项目目录下的 models/ 文件夹中。3.3 定义关键点索引PFLD 通常输出 106 个或 68 个关键点。以下以 68 点模型为例，定义眼部和嘴部的关键点索引：python68点关键点索引定义EYE_INDICES = {

更多文章