你如果常做视频相关的视觉项目应该已经发现了一个规律看人的姿态、动作大家都有成熟方案唯独“看眼睛在往哪看”这件事做起来总差口气。这几年和“用眼行为监护”“疲劳驾驶检测”“网课注意力分析”相关的需求越来越多很多开发者一上来就想直接训练一个深度学习模型去判断眼球状态结果被数据标注折磨到怀疑人生。这篇文章要聊的“十字眼”其实就是这一类需求里最典型的一个场景检测画面中的人是否出现了明显的内聚注视状态通俗说就是俗称的对眼、斗鸡眼。我先给一个明确判断这类任务真正值得做、也容易稳定落地的方案不是一上来就用神经网络做端到端分类而是先用轻量级人脸关键点抽取几何特征再配合阈值校准和时间序列过滤。这并不意味着深度学习方案没有价值而是它更适合在几何方案验证之后、样本积累到一定规模时再引入。下面从概念、指标、代码、验证到工程边界把这条路线完整拆一遍。1. “十字眼”到底是什么先把这个概念说清楚1.1 先别把它当成医学诊断工具很多人看到“十字眼”三个字第一反应是医学上的斜视、内斜视。这里要非常克制地说明本文讨论的不是医学诊断。“十字眼”在这篇文章里就是一个视觉演示项目的代号目标是用普通摄像头尽可能稳定地判断“两个眼球是否在明显地向中间聚拢”。这种状态在医学上属于眼位问题真实的斜视判断需要专业眼科检查包括遮盖试验、棱镜度数测量、眼球运动评估这些绝不是普通 RGB 摄像头能替代的。所以如果你的真实需求是判断儿童是否斜视请不要使用这篇文章的方案更不要把模型的输出直接告诉家长。技术边界必须在项目一开始就划清楚。放到计算机视觉领域看这个问题本质上属于“注视方向估计”的简化版本。它不要求估计出精确的三维注视向量只需要度量出一个相对的、可以前后对比的内聚程度然后输出一个提醒信号。这个定位非常重要因为它决定了技术选型、数据要求和评价标准。1.2 为什么实时眼动检测需求越来越多从场景上看“检测眼珠是否明显内聚”至少分布在三个方向。第一是儿童用眼行为分析。很多家长关注孩子近距离用眼但比距离更隐蔽的是眼睛的紧张状态。如果孩子长期凑近屏幕、双眼高度内聚这种不良用眼习惯比单纯的距离远近更容易被忽略。第二是网课和在线面试场景的注意力判断。虽然真正判断注意力不能只看眼睛但瞳孔方向的连续变化是一个很基础的特征信号。第三是疲劳驾驶、VR 瞳距提示、多模态人机交互。这些场景都需要一个稳定的实时眼睛状态接口。过去这些需求大多靠数据标注 深度模型实现。开发者的普遍反应是标注成本高、场景迁移差、很难解释为什么判断。而人脸网格关键点技术成熟之后很多东西可以直接在几何层面算出来完全没必要一开始就上重模型。1.3 三种技术路线对比做实时内聚检测市场上大体可分成三种路线技术路线核心思路优点缺点建议阶段人脸关键点 几何特征先定位瞳孔和眼角再计算距离比值无需标注、运行快、可解释受角度和光照影响第一阶段优先做图像分类模型把眼睛状态整体分成“正常/内聚”端到端、无需手工特征需要大量数据、难解释数据积累后做视线估计模型回归注视方向或屏幕坐标信息最丰富需要专用数据集和标定需要确定注视目标时做论文里常遇到的那种“直接输出一个视线角度”的研究方案在真实摄像头场景下很难复现原因是普通网络摄像头角度、距离、光线都不受控而几何方案因为计算的是相对比例天然对某些变量不敏感。这里要提醒一个常见误区很多人以为判断“眼球是否内聚”需要知道脸和摄像头之间的距离。实际上不需要。我们用的是同一张脸内部的长度比例相当于以人脸自身作为尺度单位。理解了这一点后面的代码思路就顺了。2. 核心方案用 MediaPipe FaceMesh 做内聚度估计2.1 为什么使用 MediaPipe 而不是重新训练关键点模型人脸关键点检测已经是很成熟的方向从早期的 68 点 Dlib到后来基于深度学习的 106 点、240 点再到现在能输出 468 点甚至 478 点的 MediaPipe FaceMesh。选择 MediaPipe 有几个实际优势。第一它在 CPU 上就能达到实时帧率。Dlib 的 68 点检测在普通笔记本上虽然也能跑但内存占用和初始化速度不够友好MediaPipe 移动端和桌面端都优化得不错。第二FaceMesh 的 refine_landmarks 模式会额外输出 10 个虹膜关键点。这非常关键因为传统关键点模型只给你眼眶周围轮廓很难直接得到瞳孔中心。没有瞳孔中心位置就只能通过眼眶轮廓猜眼球位置误差会非常大。第三它的安装接入非常简单Python 环境下通过 pip 就能安装而且自带跨平台的人脸检测。我们不必先写一个人脸检测器再从结果里切眼睛MediaPipe 把这一步合并进了整个 FaceMesh 推理过程。当然也可以用 OpenCV 里的深度学习人脸检测器再配合高精度瞳孔定位但这需要自己处理很多前后处理逻辑。对于一个技术演示项目来说先用 MediaPipe 把端到端流程跑通再把某个模块替换成更合适的模型这是工程师更喜欢的推进方式。2.2 FaceMesh 提供的关键点能力FaceMesh 默认情况下会输出 468 个人脸关键点。当开启refine_landmarksTrue后输出点会扩展到 478 个其中多出来的 10 个点就是虹膜关键点左右眼各 5 个点。这 5 个点里通常中心点表示瞳孔中心另一个点则分布在虹膜边缘。本文演示主要用的是 468 和 473 这两个索引对应的虹膜中心点。如果你后续想做更精确的注视方向估计还可以进一步扩展。比如计算瞳孔中心相对于眼眶中心的位置偏移或者把手上的关键点序列交给一个轻量级 MLP 去回归“左/右/中”三个方向。这里需要补充一个容易踩坑的细节FaceMesh 的关键点索引并不是按照人脸的左右对称排列的比如索引 33 和 263 分别对应两只眼睛的某个眼角位置。如果读者需要把“人的左眼”和“人的右眼”区分开来最好先在正面人脸图上逐一打印关键点做核对不要直接照抄网上代码里的左右眼索引。尤其是摄像头镜像开启之后画面中的“左”和人的“左”经常是反的。2.3 内聚度指标怎样设计才稳定我们需要一个数值来度量“两个眼球往中间靠了多少”。最直接的想法是计算两个瞳孔中心之间的距离。当人看向正前方时这个距离是正常瞳距当人做斗鸡眼动作时两个瞳孔都会向鼻梁方向移动瞳距会变小。所以瞳孔距离本身就是一个可用特征。但瞳孔距离受到人脸离摄像头远近的影响。人往前走一步瞳孔间的像素距离就会变大。所以不能只用像素距离必须引入一个尺度归一化。本文的方案是用两只眼睛的外眼角距离作为尺度基准。外眼角不会因为眼珠转动而移动它就像一个“固定在眼眶上的尺子”。这样无论脸离摄像头是远还是近内聚度指标都会稳定在一个区间里。指标定义如下pupil_distance两个瞳孔中心之间的欧氏距离。corner_distance两只眼睛外侧眼角之间的欧氏距离。cross_ratio pupil_distance / corner_distance。正常放松状态下corner_distance基本不变。瞳孔向中间移动时pupil_distance会下降于是cross_ratio变小。判断是否处于“十字眼”状态可以和用户自己校准得到的正常状态基线做对比。我更推荐“相对变化率”思路而不是设定一个全球通用的绝对阈值。因为不同人的瞳距、脸型、眼睛大小差异很大绝对阈值几乎必然误判。这里解释一下为什么“相对变化”比“绝对阈值”更符合工程直觉。假设你需要判断一个用户是否长时间保持紧张内聚状态。你没办法预先知道这个用户正常状态下的瞳孔距离到底是多少但你可以在程序启动后让他先正视摄像头几秒钟采集 30 帧左右的基准比例。后续每一帧计算出的比例都和这个基准相比。一旦比例持续下降到基准的某个百分比以下就认为发生了明显内聚。这本质上是一种“个人化标定”。在实际代码里还有一个问题必须处理单帧的瞳孔检测噪声很大。MediaPipe 的虹膜关键点虽然稳定但受眨眼、角度、光线的影响偶尔会抖动。避免误报的方法是增加时间窗口判断比如连续 8 帧中有 6 帧满足条件才输出一次报警信号。这会牺牲一点实时性但换来的是体验上的稳定感。3. 环境准备需要安装哪些依赖本文演示代码基于 Python 3推荐使用 3.9 到 3.12 之间的版本。具体版本请以实际安装环境为准重点是先创建虚拟环境再把以下依赖装进去。python -m venv cross_env source cross_env/bin/activate pip install opencv-python pip install mediapipe pip install numpy如果你是 Windows 环境激活虚拟环境的命令是cross_env\Scripts\activate这里需要提醒几点MediaPipe 包较大安装时需要耐心等待如果安装失败优先检查 Python 版本兼容性。OpenCV 在某些 Linux 环境下可能需要额外安装 libgl1 之类的系统依赖。如果安装过程中出现网络问题导致模型文件下载失败处理思路是检查网络和依赖源不要选择绕路方式。后面运行演示时如果下载人脸模型失败也是同样的处理思路。4. 核心代码演示实时“十字眼”检测程序很多教程喜欢把代码拆成一堆函数然后分开讲但读者复制起来很容易漏掉上下文。这里我给出一份完整的单文件演示脚本文件路径建议为cross_eye_demo.py。# 文件路径cross_eye_demo.py import math import statistics import cv2 import mediapipe as mp import numpy as np mp_face_mesh mp.solutions.face_mesh # FACEMESH_LEFT_EYE / FACEMESH_RIGHT_EYE 只包含眼眶的连线边 # 我们从这些边里取出所有用到的点索引。 left_eye_indices list({p for edge in mp_face_mesh.FACEMESH_LEFT_EYE for p in edge}) right_eye_indices list({p for edge in mp_face_mesh.FACEMESH_RIGHT_EYE for p in edge}) def get_outer_corner(landmarks, indices, frame_w, frame_h): 返回一只眼睛最外侧的那个眼角点坐标 points [ (landmarks[i].x * frame_w, landmarks[i].y * frame_h) for i in indices ] # 对左眼最外侧即 x 坐标最小的点 # 对右眼最外侧即 x 坐标最大的点 if indices left_eye_indices: return min(points, keylambda p: p[0]) return max(points, keylambda p: p[0]) def distance(p1, p2): return math.sqrt((p1[0] - p2[0]) ** 2 (p1[1] - p2[1]) ** 2) def process_frame(frame, face_landmarks, baseline_ratio): frame_h, frame_w frame.shape[:2] landmarks face_landmarks.landmark # 当 refine_landmarksTrue 时索引 468 和 473 是两个瞳孔中心点 if len(landmarks) 474: return frame, None pupil_a (landmarks[468].x * frame_w, landmarks[468].y * frame_h) pupil_b (landmarks[473].x * frame_w, landmarks[473].y * frame_h) left_corner get_outer_corner(landmarks, left_eye_indices, frame_w, frame_h) right_corner get_outer_corner(landmarks, right_eye_indices, frame_w, frame_h) pupil_dist distance(pupil_a, pupil_b) corner_dist distance(left_corner, right_corner) if corner_dist 1e-6: return frame, None ratio pupil_dist / corner_dist status normal if baseline_ratio is not None: change (ratio - baseline_ratio) / baseline_ratio if change -0.12: status cross # 画两个瞳孔中心点 cv2.circle(frame, (int(pupil_a[0]), int(pupil_a[1])), 5, (0, 255, 0), -1) cv2.circle(frame, (int(pupil_b[0]), int(pupil_b[1])), 5, (0, 255, 0), -1) # 在两眼中间位置画一个十字这就是“十字眼”提醒标记 mid_x int((pupil_a[0] pupil_b[0]) / 2) mid_y int((pupil_a[1] pupil_b[1]) / 2) color (0, 255, 255) label_text cross ratio: {:.3f}.format(ratio) if status cross: color (0, 0, 255) label_text CROSS EYE! ratio: {:.3f}.format(ratio) cv2.line(frame, (mid_x - 30, mid_y), (mid_x 30, mid_y), color, 2) cv2.line(frame, (mid_x, mid_y - 30), (mid_x, mid_y 30), color, 2) cv2.putText(frame, label_text, (30, 50), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2) return frame, status def main(): cap cv2.VideoCapture(0) if not cap.isOpened(): print(无法打开摄像头请检查设备号 0 是否正确。) return baseline_ratio None calibrate_frames [] recent_status [] face_mesh mp_face_mesh.FaceMesh( static_image_modeFalse, max_num_faces1, refine_landmarksTrue, min_detection_confidence0.5, min_tracking_confidence0.5, ) print(按键说明) print( c - 采集当前 30 帧作为正常的十字比例基线) print( q - 退出程序) while True: ok, frame cap.read() if not ok: print(读取摄像头画面失败。) break frame cv2.flip(frame, 1) rgb_frame cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results face_mesh.process(rgb_frame) if results.multi_face_landmarks: face_landmarks results.multi_face_landmarks[0] frame, status process_frame(frame, face_landmarks, baseline_ratio) # 用一个长度为 8 的队列减少单帧误检 if status is not None: recent_status.append(status) if len(recent_status) 8: recent_status.pop(0) if baseline_ratio is not None: cross_count recent_status.count(cross) if cross_count 5: cv2.putText(frame, REMINDER: eyes are crossing, (30, 100), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow(Cross Eye Demo, frame) key cv2.waitKey(1) 0xFF if key ord(c) and results.multi_face_landmarks: face_landmarks results.multi_face_landmarks[0] frame_h, frame_w frame.shape[:2] landmarks face_landmarks.landmark if len(landmarks) 474: pupil_a (landmarks[468].x * frame_w, landmarks[468].y * frame_h) pupil_b (landmarks[473].x * frame_w, landmarks[473].y * frame_h) left_corner get_outer_corner(landmarks, left_eye_indices, frame_w, frame_h) right_corner get_outer_corner(landmarks, right_eye_indices, frame_w, frame_h) corner_dist distance(left_corner, right_corner) if corner_dist 1e-6: calibrate_frames.append(distance(pupil_a, pupil_b) / corner_dist) if len(calibrate_frames) 30: baseline_ratio statistics.mean(calibrate_frames[-30:]) calibrate_frames.clear() print(校准完成baseline_ratio {:.4f}.format(baseline_ratio)) if key ord(q): break cap.release() cv2.destroyAllWindows() if __name__ __main__: main()这份代码的核心逻辑分成三个部分。第一部分是从 FaceMesh 结果中取出眼睛周边的关键点索引。FACEMESH_LEFT_EYE和FACEMESH_RIGHT_EYE是 MediaPipe 预置的常量表示左右眼的轮廓连线。通过集合去重得到眼角区域的点集合再做 min / max 操作找到左右两只眼睛各自的外眼角。第二部分是计算内聚度。代码使用两个瞳孔中心点 468 和 473再和外眼角距离做比例运算。这里没有预先设定判断阈值而是按 c 键校准用户正常状态基线。这是为了适应不同人脸。第三部分是滑窗过滤。recent_status保留最近 8 帧的状态只有 “cross” 出现 5 次以上才在画面上输出提醒文字。这样一来偶尔闪光、眨眼、头部快速转动造成的瞬间误检都不会轻易触发报警。还有两个实现细节需要说明。关于代码中的cv2.flip(frame, 1)这是为了让画面看起来更像镜子效果。如果不想翻转可以去掉但要注意瞳孔关键点的位置相对关系会变化对外眼角判断没有本质影响所以不必过于担心。关于 468 和 473 这两个索引它们只在refine_landmarksTrue时可靠输出。如果读者运行后发现程序提示关键点不足 474 个首要检查的是 FaceMesh 构造参数是否开启了refine_landmarks其次再检查 MediaPipe 的版本是否过旧。5. 运行结果与效果验证运行前先确认摄像头可用。python cross_eye_demo.py程序启动后会弹出一个名为Cross Eye Demo的窗口。正常情况下你会在窗口里看到自己的脸部画面两个瞳孔中心被画成绿色小圆点两眼中间会显示一条黄色或红色的十字线。这时候先不要急着做斗鸡眼动作第一步是先校准。保持头部正直眼睛看向摄像头方向保持自然放松然后按下 c 键。程序采集 30 帧正常状态的比例值并打印校准完成baseline_ratio 0.6834如果你按 c 时没有打印校准完成很可能是因为当前画面没有人脸或者按下 c 的那一帧没有检测到 478 个关键点。重新调整人脸位置确保人脸完整出现在画面内再试。校准完成后再做一次“对眼”动作。正常情况下你能看到状态文字从绿色变成红色同时显示CROSS EYE!提醒。如果连续多帧保持这个状态画面左上角会出现第二行红色提醒文字REMINDER: eyes are crossing验证是否真正有效的另一个方法是用基线比例的变化观察。不按 c 直接把程序默认逻辑跑起来也能看到每个人的数字有差异。但这种绝对数值无法直接判断是否对人眼进行了过度内聚动作所以建议还是先校准再测试。如果画面中的十字线位置和瞳孔中心位置严重偏离需要检查是不是开启了 0 号摄像头外的另一个设备。可以尝试把VideoCapture(0)改成VideoCapture(1)。6. 离线图片检测适合快速联调与回归测试摄像头实时检测有一个麻烦每次测试都需要人坐在摄像头前不方便批量验证代码修改。开发过程中更推荐准备一批图片样本跑离线脚本快速检查输出指标。下面这个脚本可以直接用在单张图片上# 文件路径cross_eye_offline.py import sys import math import cv2 import mediapipe as mp mp_face_mesh mp.solutions.face_mesh left_eye_indices list({p for edge in mp_face_mesh.FACEMESH_LEFT_EYE for p in edge}) right_eye_indices list({p for edge in mp_face_mesh.FACEMESH_RIGHT_EYE for p in edge}) def outer_corner(landmarks, indices, w, h): points [(landmarks[i].x * w, landmarks[i].y * h) for i in indices] if indices left_eye_indices: return min(points, keylambda p: p[0]) return max(points, keylambda p: p[0]) def main(image_path): image cv2.imread(image_path) if image is None: print(图片读取失败:, image_path) return h, w image.shape[:2] with mp_face_mesh.FaceMesh( static_image_modeTrue, max_num_faces1, refine_landmarksTrue, min_detection_confidence0.5, ) as face_mesh: rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results face_mesh.process(rgb) if not results.multi_face_landmarks: print(没有检测到人脸) return landmarks results.multi_face_landmarks[0].landmark if len(landmarks) 474: print(关键点数量不足请检查 refine_landmarks 参数) return pupil_a (landmarks[468].x * w, landmarks[468].y * h) pupil_b (landmarks[473].x * w, landmarks[473].y * h) left_corner outer_corner(landmarks, left_eye_indices, w, h) right_corner outer_corner(landmarks, right_eye_indices, w, h) pupil_dist math.dist(pupil_a, pupil_b) corner_dist math.dist(left_corner, right_corner) ratio pupil_dist / corner_dist cv2.circle(image, (int(pupil_a[0]), int(pupil_a[1])), 5, (0, 255, 0), -1) cv2.circle(image, (int(pupil_b[0]), int(pupil_b[1])), 5, (0, 255, 0), -1) mid_x int((pupil_a[0] pupil_b[0]) / 2) mid_y int((pupil_a[1] pupil_b[1]) / 2) cv2.line(image, (mid_x - 30, mid_y), (mid_x 30, mid_y), (0, 0, 255), 2) cv2.line(image, (mid_x, mid_y - 30), (mid_x, mid_y 30), (0, 0, 255), 2) print(cross_ratio {:.4f}.format(ratio)) cv2.imshow(Offline Result, image) cv2.waitKey(0) if __name__ __main__: if len(sys.argv) 2: print(用法: python cross_eye_offline.py 图片路径) else: main(sys.argv[1])运行方式python cross_eye_offline.py demo.jpg使用离线脚本时建议准备三类图片正常平视状态、明显内聚状态、不存在人脸的背景图。用它们作为最小回归样本集每次改动指标计算逻辑后都跑一遍观察cross_ratio是否符合预期。这套图片回归流程非常值得在项目早期就建立起来。因为几何特征算法修改起来很快但肉眼观察摄像头画面很难发现细微的指标变化图片脚本可以让你把每个测试用例的变化输出到命令行方便对比。7. 如果要做深度学习分类模型需要准备哪些东西几何方案的局限在于它只能做一个相对粗略的状态判断。如果场景里有强烈的人脸角度变化、遮挡、暗光或者用户是儿童、老人等差异很大的群体几何比例可能不够稳定。此时可以考虑在积累一批数据后训练一个轻量级的图像分类器但不要一上来就重复造数据。推荐的流程是用第 6 节的离线脚本先采集一批带有cross_ratio的图片把明显低于个人基线的图片筛出来再经过人工确认形成两个类别的训练集。使用 MobileNet 这样的轻量网络训练二分类任务即可。它的优势是容易部署在 CPU 上也能达到较高帧率。准备数据集的目录结构可以这样设计dataset/ normal/ 0001.jpg 0002.jpg cross/ 0001.jpg 0002.jpg训练脚本可以直接使用 PyTorch 编写核心结构如下。这个示例不做数据增强方面的展开重点是让读者理解模型的输入输出边界。# 文件路径train_classifier.py import torch import torch.nn as nn from torch.utils.data import DataLoader, Dataset from torchvision import datasets, transforms, models device torch.device(cpu) transform transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) train_data datasets.ImageFolder(dataset, transformtransform) train_loader DataLoader(train_data, batch_size16, shuffleTrue) model models.mobilenet_v2(weightsNone, num_classes2) optimizer torch.optim.Adam(model.parameters(), lr1e-4) loss_fn nn.CrossEntropyLoss() model.train() for epoch in range(10): total_loss 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss loss_fn(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() print(epoch {} loss: {:.4f}.format(epoch 1, total_loss)) torch.save(model.state_dict(), cross_eye_model.pth)这个训练脚本只作为演示框架真正的工程应用中必须加入验证集、早停、数据增强和类别权重调整。通常来说“cross”类别出现的频率远低于“normal”类别所以训练时如果不做正负样本平衡模型会很快收敛到“永远输出 normal”这种没用的状态。更合理的实践是几何算法承担实时预筛选只有检测到持续可疑状态时才记录短视频片段再人工筛选出高质量样本。用这种主动学习方式采集数据比让标注员对着普通视频打标签要高效得多。8. 常见问题、排查思路与方案边界在实际运行中读者遇到的大部分问题不是模型不准确而是环境、关键点索引和判断逻辑带来的误差。问题现象可能原因排查方式解决方案运行时提示关键点不足 474没有开启 refine_landmarks 参数查看 FaceMesh 构造参数设置 refine_landmarksTrue摄像头打不开设备号错误或设备被占用检查 task manager 相机占用更换 VideoCapture 设备号检测不到人脸光线过暗、侧脸角度过大观察原始画面亮度增加补光保持正脸cross_ratio 一直波动很大单帧瞳孔中心跳动输出连续 50 帧数值增加中值滤波或滑窗判断做斗鸡眼动作不触发报警阈值变化设定太严格打印 ratio 和 baseline调整变化率阈值如 -0.12 改 -0.08正常状态下误报校准不准确或面部角度变化观察校准期间头部是否移动清空校准数据后重新按 c图片结果和视频结果不一致图片分辨率问题比较两张图人脸宽度按人脸框比例统一裁剪需要特别指出的是方案本身有明确的边界。如果人脸左右旋转超过 30 度外眼角坐标可能有遮挡比例会不可靠。如果佩戴眼镜或墨镜虹膜关键点的质量也会明显下降。FaceMesh 的虹膜关键点本质上是在二维图像上估计的只要光线和角度不合适瞳孔中心点就会偏移。所以这类触发的判断更适合做成“提醒”而不是“结论”。9. 工程化建议从演示到可以长期跑的最小系统把演示代码变成可以长期运行的系统还需要考虑几个问题。第一是校准策略。无论多完美的几何指标都不能在没有个人校准的情况下贸然报警。程序第一次运行时可以引导用户正视摄像头 2 到 3 秒完成自动采集。如果用户姿势不对需要给出清晰的重新校准提示。更完整的产品还可以记住不同用户的校准结果以用户 ID 为维度存储基线数据。第二是报警策略。连续多帧触发才提醒这个逻辑非常必要。单纯看一帧很容易被眨眼干扰建议判断窗口不少于 8 帧同时把提醒状态恢复的滞后也做进去。比如从cross恢复到normal需要连续 5 帧正常不然用户稍微动作调整一下提醒就会闪烁不停。第三是隐私保护。实时摄像头画面属于敏感视觉数据如果程序要部署到儿童用眼行为分析的使用场景里视频流不能随便上传到公共服务器更不能长时间保存原始帧。建议只在设备本地完成推理按需保存“触发提醒时间点前后 1 秒的匿名化特征数据”而不是保存完整视频。第四是记录与回看。当检测到提醒时程序应同时记录当前时间、cross_ratio、baseline_ratio和一段时间内的趋势变化。这类日志比单张告警截图更有价值。后续如果要训练分类模型这些带连续指标的日志可以辅助生成更高质量的训练集。第五也是很重要的一点不要把提醒话说成疾病判断。产品界面上应显示“眼睛距离屏幕可能过近建议休息”这类行为提醒而不是“疑似斜视”这类医疗判断。技术演示可以做得很快但产品化时必须考虑输出内容的场景和受众避免引起不必要的焦虑和错误解读。如果你只是想快速验证这套思路建议从第 4 节的视频代码开始跑通再补充一批离线测试图片观察数值。真正要做长期注视行为分析时再考虑加入视线估计模型或者深度学习分类器。用几何特征守住基础判断用深度学习提升复杂场景的泛化能力是目前做眼动类小成本项目比较务实的路线。这一步走完后续再做疲劳检测、注意力分析、视线落点估计就有了统一的基础特征层可供复用。