尧图网页设计 
简介这是一套面向计算机、人工智能、自动化等专业学生与开发者的司机驾驶状态检测项目源码基于深度学习骨骼点OpenPose算法实现疲劳与姿态识别并触发告警适合用作毕业设计、课程大作业或项目立项演示。压缩包共28个文件约147.66MB包含13个Python脚本、6张运行效果图、2个语音提示音、1个pth模型、1个pkl随机森林模型、1个dat人脸关键点模型及csv训练数据等覆盖从特征提取、模型推理到告警输出的完整链路。项目以main.py为入口get_train.py负责OpenPose姿态特征提取func.py提供带中文注释的函数支持modules与datasets为Light-OpenPose支撑文件并附使用说明与训练笔记。已有237人学习读者可据此掌握骨骼点检测、随机森林分类与疲劳告警的工程实现并在此基础上扩展新功能。1. 从一张驾驶座照片到告警音这套 OpenPose 疲劳姿态检测源码到底能跑出什么想象一下这个场景你手里有一段侧置或前置摄像头拍下的司机驾驶视频画面里司机一会儿低头看手机、一会儿单手托腮、一会儿连续打哈欠。你想让程序自动判断出「这人现在处于疲劳或分心状态」并且触发一声提示音。这套基于 OpenPose 骨骼点 随机森林的 Python 源码做的就是这件事。它把深度学习姿态估计和传统机器学习分类串成了一条完整链路OpenPose 负责从每一帧里抠出人体关键点坐标随机森林拿这些坐标去判断当前姿态属于哪一类驾驶状态再叠加 dlib 的 68 点人脸关键点做眼睛闭合和打哈欠的疲劳判定最后用 sound 目录里的提示音告警。整套东西是纯 Python 实现附带训练好的模型文件不需要你从零训练 OpenPose下载解压、配好环境就能跑 main.py 看效果。适合谁计算机相关专业的毕设、课程大作业、期末项目尤其是想做「深度学习 传统机器学习混合落地」这种题目的同学。也适合已经会点 Python、想找一个能改能扩的姿态检测基线项目的从业者。它不是一个工业级产品但作为一套能跑通、能看懂、能改的完整工程参考价值是实打实的。2. 拆开压缩包目录结构、模型文件与运行链路2.1 每个文件到底干什么拿到压缩包先别急着运行把目录结构理清楚后面排错能省一半时间。这套源码的文件分工大致是这样文件/目录作用main.py程序执行入口串起检测与告警主循环get_train.py用 OpenPose 提取姿态特征生成训练 CSVfunc.py函数支持库带中文注释openposeRandomForest.ipynb随机森林训练与验证的 notebookopenpose_train_data.csv已提取好的姿态特征数据集val.py / modules / datasetsLight-OpenPose 支持文件models放 OpenPose、dlib、随机森林三个模型sound疲劳提示音 eyes.mp3、yawn.mp3image运行效果截图video放侧置与前置摄像头视频requirement.txt依赖清单关键点在于 models 目录它必须放齐三个模型文件才能跑checkpoint_iter_370000.pth 是 OpenPose 的权重shape_predictor_68_face_landmarks.dat 是 dlib 的人脸 68 点模型RandomForestClassifier_model.pkl 是训练好的随机森林分类器。少任何一个程序都会在加载阶段直接崩而且报错信息往往指向加载函数而不是「文件缺失」这是新手最容易卡住的地方。2.2 环境配置为什么锁 Python 3.7/3.8这套代码依赖的 OpenPose Python 接口和 dlib 对 Python 版本比较挑。项目说明里明确建议 3.7 或 3.8不是保守是血泪经验——高版本 Python 下 dlib 编译经常失败OpenPose 的 Caffe 后端绑定也容易出兼容问题。我一般会这么做用 Anaconda 建一个独立环境避免污染系统 Python。# 创建并激活 3.8 环境 conda create -n driver_pose python3.8 conda activate driver_pose # 按依赖清单安装缺什么补什么 pip install -r requirement.txt逻辑说明单独建环境是为了让 dlib、opencv、numpy 这些包的版本互不打架。requirement.txt 里列的是项目验证过的版本组合先整体装一遍再根据报错逐个补。参数上python3.8 是硬约束别图新用 3.11。装完在 PyCharm 里把解释器指向这个 conda 环境Settings → Project → Python Interpreter → Add → Conda Environment → 选刚建的 driver_pose。这一步做错后面 import 报错会一直缠着你。提示dlib 安装失败是高频问题。如果 pip 装不上先确认有没有装 CMake 和 C 编译工具Windows 下建议直接找对应 Python 版本的 dlib whl 文件本地安装。2.3 从视频到告警主链路怎么走main.py 是入口它的执行逻辑可以拆成四步。第一步加载三个模型第二步读 video 目录里的视频逐帧处理第三步对每帧做姿态分类和疲劳判定第四步命中疲劳或异常姿态时播放 sound 里的提示音。# main.py 主循环的简化逻辑示意 cap cv2.VideoCapture(video_path) while cap.isOpened(): ret, frame cap.read() if not ret: break # 1. OpenPose 提取骨骼关键点 keypoints pose_model(frame) # 2. 随机森林根据关键点判断驾驶姿态 posture rf_model.predict(keypoints) # 3. dlib 判断眼睛闭合与打哈欠 fatigue check_fatigue(frame) # 4. 命中疲劳则触发告警音 if fatigue or posture in DANGER_CLASSES: play_alert()逻辑说明OpenPose 输出的是人体关键点坐标随机森林吃的是这些坐标组成的特征向量输出的是姿态类别。疲劳判定走的是另一条线用 dlib 的 68 点算眼睛纵横比和嘴部开合。两条线汇合后才决定要不要响铃。参数上DANGER_CLASSES 里放的是你关心的危险姿态类别具体类别名要看 openpose_train_data.csv 里的标签。3. 用 OpenPose 提特征、喂给随机森林训练链路怎么复现3.1 数据集来源与特征提取训练数据来自 Kaggle 的 State Farm Distracted Driver Detection这是驾驶分心检测里很经典的一个数据集包含多类驾驶行为图像。get_train.py 的作用就是把这些图像过一遍 OpenPose把每张图的人体关键点坐标抽出来写成 openpose_train_data.csv。# 提取姿态特征生成训练 CSV python get_train.py逻辑说明这一步本质是「用姿态估计模型做特征工程」。OpenPose 把图像转成关键点坐标坐标就是随机森林的输入特征。参数上要注意输入图像的路径配置get_train.py 里通常有个数据集根目录变量指向你解压后的 State Farm 数据。如果路径不对脚本会静默跑完但 CSV 是空的这是很隐蔽的坑。项目已经附带了 openpose_train_data.csv所以你不一定要重跑提取。想直接用现成特征训练跳过这步即可想换自己的数据才需要重跑。3.2 随机森林训练与模型导出openposeRandomForest.ipynb 是训练主战场。它读入 CSV划分训练测试集训练随机森林输出分类报告最后把模型存成 RandomForestClassifier_model.pkl。import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split import joblib # 读入 OpenPose 提取的姿态特征 data pd.read_csv(openpose_train_data.csv) X data.drop(label, axis1) y data[label] # 划分训练测试集固定随机种子保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 训练随机森林 rf RandomForestClassifier(n_estimators100, random_state42) rf.fit(X_train, y_train) # 导出模型供 main.py 加载 joblib.dump(rf, models/RandomForestClassifier_model.pkl)逻辑说明n_estimators100 是树的数量太少欠拟合、太多训练慢100 是常见起点。random_state 固定是为了每次划分一致方便对比调参效果。test_size0.2 留出两成做验证。导出路径必须和 main.py 里加载模型的路径一致否则运行时报找不到模型。参数怎么调如果发现某些姿态老是分错先看混淆矩阵再考虑加树数量或做特征筛选。OpenPose 关键点里有些点比如手部对区分「打电话」和「喝水」很关键别盲目删特征。3.3 疲劳判定的两条独立逻辑姿态分类管的是「司机在做什么」疲劳判定管的是「司机是不是困了」两者是并行的。疲劳这条线用 dlib 的 68 点人脸关键点核心是两个指标眼睛纵横比EAR和嘴部纵横比MAR。# 疲劳判定核心逻辑示意 def check_fatigue(frame): landmarks get_68_landmarks(frame) ear compute_ear(landmarks) # 眼睛闭合程度 mar compute_mar(landmarks) # 嘴巴张开程度 # 连续多帧 EAR 低于阈值判定闭眼 if ear EAR_THRESHOLD: eye_counter 1 # 连续多帧 MAR 高于阈值判定打哈欠 if mar MAR_THRESHOLD: yawn_counter 1 return eye_counter EYE_FRAMES or yawn_counter YAWN_FRAMES逻辑说明EAR 低于阈值说明眼睛在闭合MAR 高于阈值说明嘴张得大。单帧判断不可靠所以用连续帧计数避免眨眼误报。参数上 EAR_THRESHOLD 一般在 0.2 附近MAR_THRESHOLD 在 0.6 附近具体要按你的摄像头角度和分辨率微调。one_euro_filter.py 在这里派上用场它对关键点坐标做平滑减少抖动带来的误判。注意侧置摄像头和前置摄像头的人脸角度差别很大阈值不能一套通用。换摄像头位置后务必重新观察 EAR/MAR 曲线再定阈值。4. 避坑与排查跑不起来时先看这几条4.1 模型文件缺失导致加载崩溃现象运行 main.py 直接报错退出堆栈指向模型加载函数。 原因models 目录里三个模型文件没放齐或者文件名和代码里写的不一致。 解决对照代码里加载路径逐个核对确认 checkpoint_iter_370000.pth、shape_predictor_68_face_landmarks.dat、RandomForestClassifier_model.pkl 都在位文件名大小写也要一致。4.2 Python 版本过高引发依赖冲突现象pip 安装 dlib 或 opencv 时报编译错误或者 import 时提示模块不兼容。 原因高版本 Python 下部分包的预编译轮子缺失需要本地编译环境不满足就失败。 解决老老实实用 3.7 或 3.8 建环境别用 3.10 以上。已经建错的删掉重建别在旧环境里硬修。4.3 视频路径与摄像头配置不对现象程序能启动但画面一直是黑的或者读不到帧直接结束。 原因video 目录里的视频路径没配对或者代码里写死的文件名和你放的文件名不一致。 解决打开 main.py 找到视频读取那行确认路径指向实际文件。想接实时摄像头把 VideoCapture 的参数从文件路径改成摄像头索引一般是 0。4.4 疲劳阈值误报或漏报现象司机正常眨眼就响铃或者真打哈欠却不报警。 原因EAR/MAR 阈值是默认值没按你的摄像头角度和光照调整。 解决先把 EAR、MAR 的实时值打印出来观察正常睁眼、闭眼、张嘴各是什么范围再定阈值。连续帧计数也可以适当加大压掉偶发误判。4.5 中文注释乱码现象打开 func.py 等文件中文注释显示成乱码。 原因文件编码和编辑器默认编码不一致。 解决在 PyCharm 里把文件编码统一设成 UTF-8重新打开即可。别用 GBK 保存否则跨平台会出问题。5. 进阶玩法换数据集、调阈值、接实时摄像头跑通默认流程只是起点这套代码真正的价值在于可改。我一般会从三个方向动手。第一是换数据集重训。State Farm 数据集偏分心驾驶如果你想做疲劳专项可以自己采集或找带疲劳标签的数据用 get_train.py 重新提特征再跑 notebook 训练。注意特征维度必须和 OpenPose 输出一致否则随机森林加载会报维度不匹配。第二是调疲劳判定参数。EAR 和 MAR 的阈值、连续帧计数这几个参数直接决定误报率。我的习惯是先在目标场景下录一段正常驾驶视频把 EAR/MAR 曲线画出来取一个明显区分闭眼和睁眼的中间值而不是照搬默认。第三是接实时摄像头。把 main.py 里的视频源换成摄像头索引同时注意帧率——OpenPose 在 CPU 上跑实时会比较吃力常见做法是隔帧检测或者降分辨率。如果卡顿严重可以考虑只对感兴趣区域做姿态估计。进阶方向关键改动注意点换数据集重跑 get_train.py notebook特征维度要一致调阈值改 EAR/MAR 与帧计数按实际场景标定接摄像头改 VideoCapture 参数注意帧率与分辨率验证改动是否有效别只看单次运行。我会固定一段测试视频每次改完都跑同一段对比告警次数和误报情况这样才有可比性。从那以后我每次调阈值都强制走一遍固定测试集不然改来改去全是玄学。希望帮到你。本文还有配套的精品资源点击获取 OpenPose+随机森林疲劳驾驶检测源码：从姿态估计到告警全链路解析
简介这是一套面向计算机、人工智能、自动化等专业学生与开发者的司机驾驶状态检测项目源码基于深度学习骨骼点OpenPose算法实现疲劳与姿态识别并触发告警适合用作毕业设计、课程大作业或项目立项演示。压缩包共28个文件约147.66MB包含13个Python脚本、6张运行效果图、2个语音提示音、1个pth模型、1个pkl随机森林模型、1个dat人脸关键点模型及csv训练数据等覆盖从特征提取、模型推理到告警输出的完整链路。项目以main.py为入口get_train.py负责OpenPose姿态特征提取func.py提供带中文注释的函数支持modules与datasets为Light-OpenPose支撑文件并附使用说明与训练笔记。已有237人学习读者可据此掌握骨骼点检测、随机森林分类与疲劳告警的工程实现并在此基础上扩展新功能。1. 从一张驾驶座照片到告警音这套 OpenPose 疲劳姿态检测源码到底能跑出什么想象一下这个场景你手里有一段侧置或前置摄像头拍下的司机驾驶视频画面里司机一会儿低头看手机、一会儿单手托腮、一会儿连续打哈欠。你想让程序自动判断出「这人现在处于疲劳或分心状态」并且触发一声提示音。这套基于 OpenPose 骨骼点 随机森林的 Python 源码做的就是这件事。它把深度学习姿态估计和传统机器学习分类串成了一条完整链路OpenPose 负责从每一帧里抠出人体关键点坐标随机森林拿这些坐标去判断当前姿态属于哪一类驾驶状态再叠加 dlib 的 68 点人脸关键点做眼睛闭合和打哈欠的疲劳判定最后用 sound 目录里的提示音告警。整套东西是纯 Python 实现附带训练好的模型文件不需要你从零训练 OpenPose下载解压、配好环境就能跑 main.py 看效果。适合谁计算机相关专业的毕设、课程大作业、期末项目尤其是想做「深度学习 传统机器学习混合落地」这种题目的同学。也适合已经会点 Python、想找一个能改能扩的姿态检测基线项目的从业者。它不是一个工业级产品但作为一套能跑通、能看懂、能改的完整工程参考价值是实打实的。2. 拆开压缩包目录结构、模型文件与运行链路2.1 每个文件到底干什么拿到压缩包先别急着运行把目录结构理清楚后面排错能省一半时间。这套源码的文件分工大致是这样文件/目录作用main.py程序执行入口串起检测与告警主循环get_train.py用 OpenPose 提取姿态特征生成训练 CSVfunc.py函数支持库带中文注释openposeRandomForest.ipynb随机森林训练与验证的 notebookopenpose_train_data.csv已提取好的姿态特征数据集val.py / modules / datasetsLight-OpenPose 支持文件models放 OpenPose、dlib、随机森林三个模型sound疲劳提示音 eyes.mp3、yawn.mp3image运行效果截图video放侧置与前置摄像头视频requirement.txt依赖清单关键点在于 models 目录它必须放齐三个模型文件才能跑checkpoint_iter_370000.pth 是 OpenPose 的权重shape_predictor_68_face_landmarks.dat 是 dlib 的人脸 68 点模型RandomForestClassifier_model.pkl 是训练好的随机森林分类器。少任何一个程序都会在加载阶段直接崩而且报错信息往往指向加载函数而不是「文件缺失」这是新手最容易卡住的地方。2.2 环境配置为什么锁 Python 3.7/3.8这套代码依赖的 OpenPose Python 接口和 dlib 对 Python 版本比较挑。项目说明里明确建议 3.7 或 3.8不是保守是血泪经验——高版本 Python 下 dlib 编译经常失败OpenPose 的 Caffe 后端绑定也容易出兼容问题。我一般会这么做用 Anaconda 建一个独立环境避免污染系统 Python。# 创建并激活 3.8 环境 conda create -n driver_pose python3.8 conda activate driver_pose # 按依赖清单安装缺什么补什么 pip install -r requirement.txt逻辑说明单独建环境是为了让 dlib、opencv、numpy 这些包的版本互不打架。requirement.txt 里列的是项目验证过的版本组合先整体装一遍再根据报错逐个补。参数上python3.8 是硬约束别图新用 3.11。装完在 PyCharm 里把解释器指向这个 conda 环境Settings → Project → Python Interpreter → Add → Conda Environment → 选刚建的 driver_pose。这一步做错后面 import 报错会一直缠着你。提示dlib 安装失败是高频问题。如果 pip 装不上先确认有没有装 CMake 和 C 编译工具Windows 下建议直接找对应 Python 版本的 dlib whl 文件本地安装。2.3 从视频到告警主链路怎么走main.py 是入口它的执行逻辑可以拆成四步。第一步加载三个模型第二步读 video 目录里的视频逐帧处理第三步对每帧做姿态分类和疲劳判定第四步命中疲劳或异常姿态时播放 sound 里的提示音。# main.py 主循环的简化逻辑示意 cap cv2.VideoCapture(video_path) while cap.isOpened(): ret, frame cap.read() if not ret: break # 1. OpenPose 提取骨骼关键点 keypoints pose_model(frame) # 2. 随机森林根据关键点判断驾驶姿态 posture rf_model.predict(keypoints) # 3. dlib 判断眼睛闭合与打哈欠 fatigue check_fatigue(frame) # 4. 命中疲劳则触发告警音 if fatigue or posture in DANGER_CLASSES: play_alert()逻辑说明OpenPose 输出的是人体关键点坐标随机森林吃的是这些坐标组成的特征向量输出的是姿态类别。疲劳判定走的是另一条线用 dlib 的 68 点算眼睛纵横比和嘴部开合。两条线汇合后才决定要不要响铃。参数上DANGER_CLASSES 里放的是你关心的危险姿态类别具体类别名要看 openpose_train_data.csv 里的标签。3. 用 OpenPose 提特征、喂给随机森林训练链路怎么复现3.1 数据集来源与特征提取训练数据来自 Kaggle 的 State Farm Distracted Driver Detection这是驾驶分心检测里很经典的一个数据集包含多类驾驶行为图像。get_train.py 的作用就是把这些图像过一遍 OpenPose把每张图的人体关键点坐标抽出来写成 openpose_train_data.csv。# 提取姿态特征生成训练 CSV python get_train.py逻辑说明这一步本质是「用姿态估计模型做特征工程」。OpenPose 把图像转成关键点坐标坐标就是随机森林的输入特征。参数上要注意输入图像的路径配置get_train.py 里通常有个数据集根目录变量指向你解压后的 State Farm 数据。如果路径不对脚本会静默跑完但 CSV 是空的这是很隐蔽的坑。项目已经附带了 openpose_train_data.csv所以你不一定要重跑提取。想直接用现成特征训练跳过这步即可想换自己的数据才需要重跑。3.2 随机森林训练与模型导出openposeRandomForest.ipynb 是训练主战场。它读入 CSV划分训练测试集训练随机森林输出分类报告最后把模型存成 RandomForestClassifier_model.pkl。import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split import joblib # 读入 OpenPose 提取的姿态特征 data pd.read_csv(openpose_train_data.csv) X data.drop(label, axis1) y data[label] # 划分训练测试集固定随机种子保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 训练随机森林 rf RandomForestClassifier(n_estimators100, random_state42) rf.fit(X_train, y_train) # 导出模型供 main.py 加载 joblib.dump(rf, models/RandomForestClassifier_model.pkl)逻辑说明n_estimators100 是树的数量太少欠拟合、太多训练慢100 是常见起点。random_state 固定是为了每次划分一致方便对比调参效果。test_size0.2 留出两成做验证。导出路径必须和 main.py 里加载模型的路径一致否则运行时报找不到模型。参数怎么调如果发现某些姿态老是分错先看混淆矩阵再考虑加树数量或做特征筛选。OpenPose 关键点里有些点比如手部对区分「打电话」和「喝水」很关键别盲目删特征。3.3 疲劳判定的两条独立逻辑姿态分类管的是「司机在做什么」疲劳判定管的是「司机是不是困了」两者是并行的。疲劳这条线用 dlib 的 68 点人脸关键点核心是两个指标眼睛纵横比EAR和嘴部纵横比MAR。# 疲劳判定核心逻辑示意 def check_fatigue(frame): landmarks get_68_landmarks(frame) ear compute_ear(landmarks) # 眼睛闭合程度 mar compute_mar(landmarks) # 嘴巴张开程度 # 连续多帧 EAR 低于阈值判定闭眼 if ear EAR_THRESHOLD: eye_counter 1 # 连续多帧 MAR 高于阈值判定打哈欠 if mar MAR_THRESHOLD: yawn_counter 1 return eye_counter EYE_FRAMES or yawn_counter YAWN_FRAMES逻辑说明EAR 低于阈值说明眼睛在闭合MAR 高于阈值说明嘴张得大。单帧判断不可靠所以用连续帧计数避免眨眼误报。参数上 EAR_THRESHOLD 一般在 0.2 附近MAR_THRESHOLD 在 0.6 附近具体要按你的摄像头角度和分辨率微调。one_euro_filter.py 在这里派上用场它对关键点坐标做平滑减少抖动带来的误判。注意侧置摄像头和前置摄像头的人脸角度差别很大阈值不能一套通用。换摄像头位置后务必重新观察 EAR/MAR 曲线再定阈值。4. 避坑与排查跑不起来时先看这几条4.1 模型文件缺失导致加载崩溃现象运行 main.py 直接报错退出堆栈指向模型加载函数。 原因models 目录里三个模型文件没放齐或者文件名和代码里写的不一致。 解决对照代码里加载路径逐个核对确认 checkpoint_iter_370000.pth、shape_predictor_68_face_landmarks.dat、RandomForestClassifier_model.pkl 都在位文件名大小写也要一致。4.2 Python 版本过高引发依赖冲突现象pip 安装 dlib 或 opencv 时报编译错误或者 import 时提示模块不兼容。 原因高版本 Python 下部分包的预编译轮子缺失需要本地编译环境不满足就失败。 解决老老实实用 3.7 或 3.8 建环境别用 3.10 以上。已经建错的删掉重建别在旧环境里硬修。4.3 视频路径与摄像头配置不对现象程序能启动但画面一直是黑的或者读不到帧直接结束。 原因video 目录里的视频路径没配对或者代码里写死的文件名和你放的文件名不一致。 解决打开 main.py 找到视频读取那行确认路径指向实际文件。想接实时摄像头把 VideoCapture 的参数从文件路径改成摄像头索引一般是 0。4.4 疲劳阈值误报或漏报现象司机正常眨眼就响铃或者真打哈欠却不报警。 原因EAR/MAR 阈值是默认值没按你的摄像头角度和光照调整。 解决先把 EAR、MAR 的实时值打印出来观察正常睁眼、闭眼、张嘴各是什么范围再定阈值。连续帧计数也可以适当加大压掉偶发误判。4.5 中文注释乱码现象打开 func.py 等文件中文注释显示成乱码。 原因文件编码和编辑器默认编码不一致。 解决在 PyCharm 里把文件编码统一设成 UTF-8重新打开即可。别用 GBK 保存否则跨平台会出问题。5. 进阶玩法换数据集、调阈值、接实时摄像头跑通默认流程只是起点这套代码真正的价值在于可改。我一般会从三个方向动手。第一是换数据集重训。State Farm 数据集偏分心驾驶如果你想做疲劳专项可以自己采集或找带疲劳标签的数据用 get_train.py 重新提特征再跑 notebook 训练。注意特征维度必须和 OpenPose 输出一致否则随机森林加载会报维度不匹配。第二是调疲劳判定参数。EAR 和 MAR 的阈值、连续帧计数这几个参数直接决定误报率。我的习惯是先在目标场景下录一段正常驾驶视频把 EAR/MAR 曲线画出来取一个明显区分闭眼和睁眼的中间值而不是照搬默认。第三是接实时摄像头。把 main.py 里的视频源换成摄像头索引同时注意帧率——OpenPose 在 CPU 上跑实时会比较吃力常见做法是隔帧检测或者降分辨率。如果卡顿严重可以考虑只对感兴趣区域做姿态估计。进阶方向关键改动注意点换数据集重跑 get_train.py notebook特征维度要一致调阈值改 EAR/MAR 与帧计数按实际场景标定接摄像头改 VideoCapture 参数注意帧率与分辨率验证改动是否有效别只看单次运行。我会固定一段测试视频每次改完都跑同一段对比告警次数和误报情况这样才有可比性。从那以后我每次调阈值都强制走一遍固定测试集不然改来改去全是玄学。希望帮到你。本文还有配套的精品资源点击获取