树莓派5打造完全离线疲劳驾驶预警系统：零订阅、零云端，安全驾驶新方案

Image

所需组件

硬件

  • 树莓派5 × 1
  • 树莓派摄像头模块 V2 × 1
  • MicroSD 存储卡 × 1
  • 树莓派触摸显示屏 × 1
  • 蜂鸣器 × 1

软件与在线服务

  • 树莓派 Raspbian 系统
  • OpenCV

项目背景与动机

驾驶疲劳的严峻问题

疲劳驾驶是道路交通事故中最致命、却最常被忽视的诱因之一。现有的商用驾驶员监控系统，如奔驰、宝马、特斯拉等高端车型搭载的方案，往往价格高昂，且与特定车型深度绑定。面向车队的独立系统则普遍依赖云端连接和持续付费模式。

DrowSAFE 是一个完全开源的替代方案：它是一套完全自包含的疲劳检测系统，任何人都可以自行搭建，并安装到任意车辆上。

系统运行原理

DrowSAFE 以约每秒 30 帧的速率持续执行检测流水线：

Image

整个流水线在树莓派 5 的四核 Cortex-A76 CPU 上运行，无需 GPU、AI 加速卡，也不需要任何网络连接。

关键疲劳检测算法：眼纵横比（EAR）、嘴纵横比（MAR）与 PERCLOS

系统基于 MediaPipe Face Mesh 每帧检测到的 468 个人脸关键点，计算三项疲劳信号：

Image

  • 眼纵横比（EAR）：由 Soukupová 与 Čech（2016）提出的指标——利用每只眼睛的 6 个关键点，测量眼睛纵向与横向跨度的比值。眼睛睁开时，EAR 通常处于 0.28–0.35 的范围；眨眼时该值急剧下降；持续偏低的 EAR 表明驾驶员处于疲劳状态。
  • EAR = (|p1–p5| + |p2–p4|) / (2 × |p0–p3|)
  • 嘴纵横比（MAR）：将相同的几何计算方法应用于嘴部区域。当 MAR 超过设定阈值且持续 15 帧以上时，系统判定为一次确认打哈欠。
  • PERCLOS（眼睛闭合时间百分比）：美国 NHTSA 所采用的金标准疲劳指标。在 60 秒的滑动窗口内，统计眼睛闭合帧占比超过 80% 的时间比例。PERCLOS 值大于 15% 即可可靠地表明警觉性受损。
  • 头部姿态：通过 OpenCV 的 solvePnP 函数实时估计，依据 6 个标准 3D 人脸关键点。头部前倾角度超过阈值，即典型的“微睡眠点头”动作，会计入疲劳评分。

综合疲劳评分机制

系统采用加权方式合成 0–100 分的复合疲劳评分：

  • PERCLOS : 40%
  • 实时 EAR : 25%
  • 头部姿态（点头）: 20%
  • 打哈欠频率（MAR）: 15%

警报分级状态机设计

疲劳评分驱动一个带有滞后机制的三级状态机——评分必须远低于对应阈值才会降级警报级别，从而防止帧间噪声导致的频繁跳变。

Image

# 滞后机制防止闪烁——评分必须降至以下值才会降级WARNING_HYSTERESIS  = 30   # 低于 30 恢复至 ALERTCRITICAL_HYSTERESIS = 55   # 低于 55 恢复至 WARNING

各警报级别在显示屏上的表现如下：

Image

实时检测效果展示

以下截图直接取自运行中的树莓派 5 系统，使用 Camera Module 3 NoIR，并叠加了 MediaPipe 关键点。

警告状态——评分 43，EAR 0.188，MAR 1.677，头部俯仰角 -27.3°

Image

危险状态——评分 81，EAR 0.029，眼睛完全闭合

Image

两张截图均确认系统在 Pi 5 上稳定运行于 30.0 fps，完整的 MediaPipe 流水线已激活。危险截图中 EAR 值低至 0.029，表明眼睛几乎完全闭合，警报被正确触发。

可视化仪表盘界面

7 寸树莓派触摸显示屏上运行全屏 Pygame 仪表盘，信息一目了然：

  • 左侧面板（60%）：实时摄像头画面 + MediaPipe 关键点叠加（可通过配置项 SHOW_LANDMARKS 控制）
  • 右侧面板（40%）：大号、颜色编码的疲劳评分、评分进度条、实时 EAR/MAR/头部俯仰角、警报级别徽标
  • 底部横幅：全宽条，显示警报信息——颜色和文字随警报级别动态变化

为何选择边缘 AI 方案

大多数商用驾驶员监控系统要么依赖昂贵的高端车辆，要么需要将视频上传至云端。DrowSAFE 则截然不同：

  • 无需网络：任何地方均可使用，包括隧道和农村偏远地区
  • 零延迟：无需网络往返，检测指令瞬间完成
  • 完全隐私：驾驶员面部数据绝不离开设备本身
  • 一次性成本：无订阅费用，无 API 调用费

MediaPipe 的 Face Mesh 模型针对 ARM 架构进行了优化，在 Pi 5 上无需 GPU 或额外 AI 加速器即可稳定维持 30 fps。

硬件搭建步骤

步骤一：烧录操作系统镜像

使用 Raspberry Pi Imager 烧录 Raspberry Pi OS（Legacy，64 位），基于 Debian 12 Bookworm。

注意：截至 2026 年 4 月，默认的 Pi OS 镜像安装的是 Debian 13 Trixie + Python 3.13。MediaPipe 目前尚不支持 Python 3.13。请务必在 Imager 的“Raspberry Pi OS（other）”分类下明确选择 “Raspberry Pi OS（Legacy，64-bit）”。
烧录前，在 Imager 自定义设置界面启用 SSH 并配置好登录凭据。

步骤二：连接显示屏

通过 DSI 排线将 7 寸触摸显示屏连接到 Pi 5。显示屏由 Pi 的 USB-C 接口直接供电。

步骤三：连接摄像头

Pi 5 采用 mini CSI 接口，而 Camera Module 3 自带标准 15 针 FPC 线缆。因此需要使用 Standard-to-Mini 转接线（推荐 300mm 长度）。连接到 Pi 5 的 CAM/DISP 0 端口。

步骤四：连接蜂鸣器

将有源压电蜂鸣器连接到 GPIO 18。

软件环境配置

步骤一：克隆仓库并安装依赖

git clone https://github.com/Bedair/DrowSAFE.git
cd drowsafe
bash scripts/setup_drowsafe.sh

预期验证输出：

✓  OpenCV               4.11.0
✓  MediaPipe            0.10.18
✓  ONNX Runtime         1.24.4
✓  Pygame               2.6.1
✓  NumPy                1.26.4
All packages OK!

步骤二：无摄像头测试（模拟模式）

python src/main.py --simulate

运行完整仪表盘，模拟 90 秒疲劳周期——自动循环经历所有三个警报级别，无需连接摄像头或运行 MediaPipe。

步骤三：启动实时检测

bash scripts/run.sh

脚本将激活虚拟环境，为 SSH 会话设置 DISPLAY=:0，并启动检测流水线。

个人校准指南

每个人的面部特征不同，因此需要使用内置校准工具测量自己的基准 EAR 和 MAR 值：

bash scripts/calibrate.sh

输出示例：

EAR-L    EAR-R   EAR-AVG      MAR    PITCH
0.312    0.298   0.305    0.312    1.2°   ← 嘴巴闭合，眼睛睁开
0.089    0.076   0.083    0.712   18.4°   ← 眼睛闭合，打哈欠

将 EAR_THRESHOLD 设置为睁眼平均 EAR 的约 65%。将 MAR_THRESHOLD 设置在静息 MAR 和打哈欠 MAR 之间。所有阈值均可在 config/config.py 中修改。

参数配置说明

所有参数集中在 config/config.py 中：

CAMERA_FLIP          = True    # 如果摄像头倒置安装，翻转 180°
# 检测阈值——根据个人面部特征进行校准
EAR_THRESHOLD        = 0.22    # 低于此值视为眼睛闭合
MAR_THRESHOLD        = 0.75    # 高于此值判定为打哈欠
HEAD_PITCH_THRESHOLD = 20      # 头部前倾角度阈值（度）
# PERCLOS —— 遵循 NHTSA 标准
PERCLOS_WINDOW_SEC   = 60
PERCLOS_THRESHOLD    = 0.15    # >15% 闭合视为疲劳
# 警报等级
WARNING_SCORE        = 40
CRITICAL_SCORE       = 70
WARNING_HYSTERESIS   = 30
CRITICAL_HYSTERESIS  = 55
# GPIO
BUZZER_PIN           = 18

获取源代码

DrowSAFE 项目地址：
https://github.com/Bedair/DrowSAFE

直接下载 zip：
https://codeload.github.com/Bedair/DrowSAFE/zip/refs/heads/main