Vibe Coding 参赛作品
InfiniSynapse × CSDN · Vibe Coding
疲劳驾驶监测
系统概述 基于 MediaPipe FaceMesh + OpenCV 的实时疲劳驾驶检测系统，通过分析司机面部特征（眼睛、嘴巴、头部姿态）判断疲劳状态。 技术栈：Python + Flask + MediaPipe + OpenCV + TensorFlow Lite（深度学习模式） 部署方式：HTTPS Web 服务，浏览器访问即可使用 多用户支持：每个用户独立检测，最多 5 人同时在线 摄像头来源：用户自己电脑的摄像头（通过浏览器 getUserMedia） 二、三种检测模式 1. 规则模式（推荐） 原理：基于 EAR（眼睛长宽比）、MAR（嘴巴长宽比）、头部俯仰角的硬阈值 特点： 响应快（50-150ms 本地，250-500ms 公网） 准确率高（适合正常光照） 误报少 适用场景： 实时监控 前端轻型应用 快速原型演示 2. 深度学习模式 原理：使用训练好的 CNN 分类器（TensorFlow Lite）判断眼部/嘴部状态 特点： 准确率更高（复杂光照下） 需要训练数据（data/eyes/、data/mouths/） 首次使用需要训练模型 适用场景： 科研项目 需要高精度的商业应用 多样化光照环境 3. 混合模式 原理：规则 + 深度学习投票融合 特点： 兼顾速度和准确度 计算开销最大（CPU 占用高） 适用场景： 算力充足的服务器 对误报率要求极高的场景（因为网络延迟的问题浏览器体验效果可能不好，所以还是下载到本地体验
- 作品类型
- 参赛作品
- 当前人气
- 0 票
- 最近更新