前期文章我们分享了如何使用python与dlib来进行人脸识别,以及来进行人脸部分的识别，
如下图，dlib人脸数据把人脸分成了68个数据点，从图片可以看出，人脸识别主要是识别：人眉，人眼，人鼻，人嘴以及人脸下颚边框，每个人脸的部位都有不同的数据标签从1-68
当我们识别出人脸的这68个点，可以通过访问不同的数据点来检测到人脸的部分数据
· 口可以访问 [48，68] 。
· 右眉可以访问 [17，22]。
· 左眉可以访问 [22，27] 。
· 右眼可以访问 [36，42]。
· 左眼 可以访问 [42，48]。
· 鼻可以访问 [27，35]。
· 下巴边框可以访问 [0，17]
通过访问不同的数据点，来进行人脸上的部位检测，要想对人眼眨眼检测，首先我们检测到人眼，下图可以看出人眼有6个数据点
人脸68点数据图
通过这6个数据点，可以来定位人眼的6个数据点的坐标，从下图可以看出当人眼睁眼时，人眼上的6个数据点的坐标与人眼闭眼时的数据点坐标不完全一样，通过计算6个数据点的坐标差异，便可以通过距离的计算来判断人眼是否眨眼了
人眼坐标
根据Soukupová和Čech在2016年的论文《 使用面部地标进行实时眼睛眨眼检测》，我们可以得出一个反映这种关系的方程，称为眼睛纵横比（EAR）：
人眼纵横比公式
当检测到人眼时，通过实时计算人眼的纵横比，当人眼纵横比突然变小时，便可以通过此值来判断人眼眨眼了，也可以证明人脸不是照片
OK，有了以上的基本知识，就开始代码
导入第三方库
导入第三方库（1-9行）
定义一个函数，来计算人眼纵横比
计算两组 垂直 眼界标之间的距离（第13和14行）
计算水平眼界标之间的距离 （15行）
最终利用计算公式计算眼睛纵横比（16行）
定义人眼纵横比阈值（19行，根据自己人眼大小来设置）
定义检测到眨眼的帧数（设置为3，当3次检测到阈值小于设置值才算是一次正常的眨眼，也跟计算速度有关）
定义眨眼帧数与人眼眨眼数（23-24行）
加载人脸检测与68点数据模型（27-28行）
获取左右人眼的坐标参数值（31-32）
从视频中，或者摄像头中获取视频帧（35-39行）
从视频中获取图片帧进行人脸数据点检测（41-52行，本段代码是上期文章分享的内容，不再详细注释）
提取人眼坐标，来计算人眼纵横比（55-60行）
可视化人眼（62-65行）
通过计算出的人眼纵横比来跟设置的阈值来进行对比
当计算的人眼纵横比小于阈值时记录一次，当超过3次检测到人眼纵横比小于阈值时记录一次眨眼（67-74行）
在视频上显示人眼的阈值与眨眼次数（77-80行）
最后显示在视频中
人眼眨眼检测时人脸识别中很重要的一环，微信支付，支付宝支付很多时候需要识别是不是人脸或者是照片，通过人脸的眨眼检测，可以有效的来识别是否是正常的人脸，当然还有很多方法来检测是否是一个正常的人脸，比如现在超市的无人收银，让用户提供手机后4位，其实看是为了安全，其实也有这方面的考虑，小编是这样认为的，你觉得捏？？？
,
