python眨眼检测实战代码解析资源-CSDN下载

共87个文件

npy：55个

txt：16个

m：5个

python

dlib

4星 · 超过85%的资源需积分: 46 97 浏览量 2018-01-11 15:52:42 上传评论 16 收藏 94.03MB ZIP 举报

眨眼检测是一种生物特征识别技术，常用于人机交互、疲劳驾驶监测等领域。在这个项目中，我们使用Python编程语言，结合dlib库和sklearn（Scikit-learn）库来实现这一功能。dlib是一个强大的C++库，它包含了丰富的机器学习算法和工具，可以方便地在Python中调用。sklearn则是Python中最受欢迎的机器学习库之一，主要用于数据挖掘和数据分析。要进行眨眼检测，我们需要获取面部特征。dlib库中的`shape_predictor`模型可以用来检测和定位面部的关键点，包括眼睛的位置。这个模型是通过预先训练好的模型文件来实现的，通常是一个`.dat`文件，需要在项目中引入。在本工程中，可能包含了一个这样的模型文件，用于实时定位人脸和眼睛的位置。接下来，我们需要定义一个算法来判断眼睛的状态。这通常涉及到计算眼睛的开放程度，即眼睑的闭合程度。这可以通过计算眼睛区域的像素差异或者使用特定的特征点（如眼角）来实现。一旦我们有了这些信息，就可以使用机器学习算法来构建一个眨眼检测器。sklearn库中的分类器，如SVM（支持向量机）或决策树，可以被用来训练一个模型，这个模型会根据眼睛的状态（开放或闭合）来预测是否正在进行眨眼动作。在训练过程中，我们需要一个标注好的数据集，其中包含了不同人的眨眼和非眨眼状态的图像。这些图像通常会被分割成训练集和测试集，用于训练模型和评估其性能。训练过程可能包括特征提取、特征选择和模型调优等步骤，以达到最佳的预测效果。在实际应用中，这个系统可能会结合视频流处理，实时分析每一帧图像。一旦检测到眨眼事件，可以根据需求执行相应的操作，比如记录疲劳状态、提醒用户休息等。在项目文件夹`blink_detect`中，我们可以期待看到以下文件和结构： 1. `shape_predictor_68_face_landmarks.dat`: dlib的人脸关键点检测模型。 2. `preprocess.py`: 用于预处理图像，包括尺寸调整、灰度化等操作。 3. `eyelid_detector.py`: 包含了眼睛状态检测的具体实现，包括关键点检测和眨眼判断逻辑。 4. `model.py`: 包含了机器学习模型的训练和加载代码。 5. `dataset/`: 存储训练和测试用的图像数据，可能包括眨眼和非眨眼两类。 6. `main.py`: 主程序，用于运行整个眨眼检测系统，可能包括摄像头捕捉、图像处理和模型预测。通过阅读和理解这些代码，我们可以深入学习到如何利用Python和相关的机器学习库来解决实际问题，特别是与计算机视觉和生物特征识别相关的任务。同时，这也提供了一个很好的机会去实践数据预处理、特征工程、模型训练和评估等机器学习的基本流程。

资源推荐

资源详情

资源评论

收起资源包目录

blink_detect.zip （87个子文件）

blink_detect

ear_svm.m_01.npy 96B

bak_2

ear_svm.m_01.npy 96B

ear_svm.m_08.npy 3KB

ear_svm.m_07.npy 40KB

ear_svm.m_02.npy 2KB

train_close.txt 322KB

train_open.txt 272KB

ear_svm.m_05.npy 96B

ear_svm.m 1KB

ear_svm.m_10.npy 88B

ear_svm.m_09.npy 88B

ear_svm.m_11.npy 80B

ear_svm.m_04.npy 80B

ear_svm.m_06.npy 88B

ear_svm.m_03.npy 3KB

data_collect.py 4KB

blink_detect.py 3KB

ear_svm.m_08.npy 4KB

ear_svm.m_07.npy 11KB

bak_3

ear_svm.m_01.npy 96B

ear_svm.m_08.npy 4KB

ear_svm.m_07.npy 24KB

ear_svm.m_02.npy 2KB

train_close.txt 83KB

train_open.txt 64KB

ear_svm.m_05.npy 96B

ear_svm.m 1KB

ear_svm.m_10.npy 88B

ear_svm.m_09.npy 88B

ear_svm.m_11.npy 80B

ear_svm.m_04.npy 80B

ear_svm.m_06.npy 88B

ear_svm.m_03.npy 4KB

ear_svm.m_02.npy 2KB

train_close.txt 35KB

bak_4

ear_svm.m_01.npy 96B

ear_svm.m_08.npy 4KB

ear_svm.m_07.npy 11KB

ear_svm.m_02.npy 2KB

train_close.txt 35KB

train_open.txt 40KB

ear_svm.m_05.npy 96B

ear_svm.m 1KB

ear_svm.m_10.npy 88B

ear_svm.m_09.npy 88B

ear_svm.m_11.npy 80B

ear_svm.m_04.npy 80B

ear_svm.m_06.npy 88B

ear_svm.m_03.npy 4KB

model

dlib_face_recognition_resnet_model_v1.dat 21.43MB

shape_predictor_5_face_landmarks.dat 8.73MB

shape_predictor_68_face_landmarks.dat 95.08MB

train_open.txt 40KB

test_svm.py 1KB

faces

obama.jpg 35KB

jobs.jpg 12KB

silicon_valley.jpg 53KB

test_open.txt 515B

train_svm.py 3KB

bak

ear_svm.m_01.npy 96B

ear_svm.m_08.npy 3KB

train_close_bak.txt 6KB

ear_svm.m_07.npy 3KB

ear_svm.m_02.npy 2KB

train_close.txt 6KB

train_open.txt 6KB

train_open_bak.txt 6KB

test_open.txt 515B

ear_svm.m_05.npy 96B

ear_svm.m 1KB

ear_svm.m_10.npy 88B

ear_svm.m_09.npy 88B

ear_svm.m_11.npy 80B

ear_svm.m_04.npy 80B

test_close.txt 890B

ear_svm.m_06.npy 88B

ear_svm.m_03.npy 3KB

ear_svm.m_05.npy 96B

blink_detect_svm.py 3KB

ear_svm.m 1KB

ear_svm.m_10.npy 88B

ear_svm.m_09.npy 88B

ear_svm.m_11.npy 80B

ear_svm.m_04.npy 80B

test_close.txt 890B

ear_svm.m_06.npy 88B

ear_svm.m_03.npy 4KB

[0.31455614003346843, 0.28588686434866051, 0.27665937084863512, 0.29369015269244925, 0.27708851425216008, 0.29140824317633585, 0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223] [0.28588686434866051, 0.27665937084863512, 0.29369015269244925, 0.27708851425216008, 0.29140824317633585, 0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095] [0.27665937084863512, 0.29369015269244925, 0.27708851425216008, 0.29140824317633585, 0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717] [0.29369015269244925, 0.27708851425216008, 0.29140824317633585, 0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923] [0.27708851425216008, 0.29140824317633585, 0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231] [0.29140824317633585, 0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825] [0.28193693466136932, 0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714] [0.27635717381795044, 0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658] [0.23712573048898886, 0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656] [0.25038475180615299, 0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965] [0.24032661775889258, 0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625] [0.27053284593376148, 0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007] [0.22299712106068223, 0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377] [0.23219761807107095, 0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751] [0.25008863273205717, 0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567] [0.24561434378369923, 0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529] [0.2294827805249231, 0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645] [0.2114874918183825, 0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877] [0.22740679567770714, 0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804] [0.20067560108425658, 0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734] [0.210249835591656, 0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915] [0.19012133668259965, 0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152] [0.23602953171470625, 0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342] [0.25953507574889007, 0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342, 0.23254774074073842] [0.26444459236898377, 0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342, 0.23254774074073842, 0.22745454264798715] [0.25908326402649751, 0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342, 0.23254774074073842, 0.22745454264798715, 0.22201389712353692] [0.25479328247297567, 0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342, 0.23254774074073842, 0.22745454264798715, 0.22201389712353692, 0.21749122446662122] [0.19876406762225529, 0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342, 0.23254774074073842, 0.22745454264798715, 0.22201389712353692, 0.21749122446662122, 0.25562588727314173] [0.2303672596775645, 0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.22540391752877342, 0.23254774074073842, 0.22745454264798715, 0.22201389712353692, 0.21749122446662122, 0.25562588727314173, 0.2705514071345701] [0.23509830423056877, 0.22339629766209804, 0.23746798643102734, 0.26349031666342915, 0.23255311884093152, 0.2254039175287

评论收藏

内容反馈