(一)课程设计内容
驾驶疲劳检测系统，通过摄像头对驾驶员的行为进行分析，得出驾驶员是否处于疲劳驾驶状态。
(二)交互方式
一个简易的UI界面，通过鼠标点击方式打开摄像头，关闭摄像头进行交互
(三)开发平台/工具简介
开发平台：Visual Studio 2019 (是美国微软公司的开发工具包系列产品)
库：OpenCV3.42 (一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库)
dlib19.14 （一个包含机器学习算法的C++开源工具包）
shape_predictor_68_face_landmarks.dat（人脸识别的68个特征点检测库）
cvui（基于OpenCv的ui库）
(四)总体设计
以组织结构图形式给出课程设计作品的功能模块划分
(五)详细设计
动作行为检测模块：
调用dlib库对人脸进行识别
将shape_predictor_68_face_landmarks.dat数据模型导入并检测出人脸68个特征点，将眼睛位置和嘴巴文字的点连在一起，便于更直观的观察
眨眼状态检测方法：计算眼睛的长宽比，当人眼闭合时，EAR会迅速下降，所以我们可以通过判断EAR是否低于阈值（该值因人而异）来判断驾驶员当前帧是否处于闭眼状态，记录帧数。
打哈欠状态检测方法：打哈欠时，嘴巴会张大且相对较长时间保持这一状态，可以通过68个特征点中对应嘴巴位置的点进行长宽比计算，如果大于阈值（因人而异，并且是要能区分出说话和打哈欠的幅度）则认为驾驶员当前处于打哈欠状态，记录帧数。
利用61，65，62，68，64，66特征点计算嘴巴当前张开的幅度大小
如下图（分别为打哈欠状态和说话状态）
点头状态检测方法：通过欧拉角中的俯仰角是否大于阈值判断是否处于低头状态并记录帧数。
通过世界坐标系内点的位置、像素坐标位置和相机参数就可以得到旋转矩阵，之后根据旋转矩阵求解欧拉角
具体做法如下：
物体相对于相机的姿态可以使用旋转矩阵和平移矩阵来表示，因此必然少不了坐标系转换
所以只要知道世界坐标系内点的位置、像素坐标位置和相机参数，再利用OpenCV已经给我们提供了求解PnP问题的函数solvePnp()就可以搞定旋转和平移矩阵，有了旋转矩阵我们就可以得到欧拉角
最后将以上动作检测数据保存交给统计分析模块，动作行为检测模块的任务就完成啦。
基于统计分析模块：
利用动作行文检测模块的统计信息，通过疲劳值函数，对眨眼帧数，低头帧数，打哈欠帧数进行计算，得出疲劳值判断驾驶员是否处于疲劳状态，传统方法一般通过次数来统计，本项目考虑到人疲劳状态的动作和精神状态时动作不一，单靠次数来统计有失精度，所以精确到帧数，从而更好的判断驾驶员的驾驶状态
(六)问题及心得体会
问题：驾驶员是否带眼睛可能会对检测情况造成一定的影响，以及疲劳值计算函数可以进一步修改，但个人数学水平有限，没能给出一个很好的计算公式，从而影响了最终判断的准确性
(七)参考文献，网站
1.代码思路来源：一位很厉害的小姐姐用Python实现的版本
2. 头部姿态估计