刚开始接触人脸识别，特征点提取方面，主要根据人脸的特征判定人（司机）是否疲劳，先上一张效果图：
具体实现分为以下几个步骤：
1.算法环境搭建：
这个部分网上教程很多，可自行百度。主要涉及到opencv安装，配置，dlib配置以及于仕琪库的应用。
2.人脸识别：
opencv自带人脸识别直接启用，识别精度低，达不到效果，采用的是于仕琪的人脸识别，识别快而且比较精准，这样保证人脸特征点找的比较准确，在后续的疲劳判定上就比较可靠了。
3.人脸特征点检测：
调用dlib开源库，把第二部的人脸框传递给dlib就可以得出68个特征点。
4.疲劳检测算法：
根据得出的眼部特征点，根据形状可以判断人脸是否闭合，如果超过多长时间则可以判定疲劳状态。
dlib实现的ert算法来源文章One Millisecond Face Alignment with an Ensemble of Regression Trees，该算法根据人脸框中随机点对的像素差和一个随机阈值进行比较，判断是否人脸特征。算法参数设置为10层级联，每层500棵树，树深度为5，其他参数参见论文。算法具体思路如下：
1.训练样本
（1）归一化样本。所有样本的形状shape进行归一化（保证左右样本基准一致），然后计算所有样本的平均值（mean shape）,把除去样本的其他任何一个样本的shape作为当前的形状（current shape）
（2）生成特征池。在人脸区域产生随机位置，并根据mean shape找出与之最近landmark点位置，并且保存对应的landmark索引和之间偏置(detx, dety),循环此过程长生500个特征
（3）回归。首先从500个特征中随机选取10个随机点对，循环10个点对求出最优分裂点，分裂规则为根据点对的像素差和随机阈值比较，判定分为左节点和右节点上。最后计算残差，根据学习率更新current shape，再次进行回归，一般回归10次。
2.预测。
根据训练得出的阈值进行样本shape迭代，回归到真实shape。具体算法可以参见dest-master
最后说明：算法帧率最大可以达到100fps,且在关照条件好的情况下特征点检出效果还是很不错的，当然对于特殊场景下的人脸识别不一定很好，这个可以自行训练特殊场景的人脸样本，然后把识别的dlib模型替换成自己训练的模型。当然你也可以尝试其他更先进的方法。对于嵌入式的开发，算法则需要进行优化，尤其是在人脸检出部分，于仕琪的linux库没有编译成功，有成功的可以告知一下，三克斯。