Eye Blink & Fatigue Detection

Sistem deteksi kedipan mata dan kelelahan berbasis Eye Aspect Ratio (EAR) menggunakan Python dan MediaPipe Face Mesh.

Deskripsi

Proyek ini adalah sistem pendeteksi kedipan mata (Eye Blink Detection) dan indikasi kelelahan (Fatigue Detection) secara real-time menggunakan Python, MediaPipe Face Mesh (468 landmark), dan pendekatan matematis Eye Aspect Ratio (EAR).

Aplikasi ini memanfaatkan kamera untuk memonitor kondisi mata pengguna dan menampilkan informasi seperti jumlah kedipan, nilai EAR, blink rate, serta peringatan kelelahan.

---

Fitur Utama

• ✔ Eye Blink Detection (Real-time)
• ✔ Blink Rate (kedipan per menit)
• ✔ EAR Graph (EAR vs waktu)
• ✔ Adaptive EAR Threshold
• ✔ Fatigue & Drowsiness Detection
• ✔ MediaPipe 468 Facial Landmarks
• ✔ Visualisasi landmark mata

---

Preview & Visualisasi

Diagram Sistem

Contoh Grafik EAR vs Waktu

Mekanisme pendeteksi

Konsep Eye Aspect Ratio (EAR)

EAR adalah rasio geometris yang menggambarkan tingkat keterbukaan mata berdasarkan jarak antar landmark mata.

Rumus:

EAR = (||p2 − p6|| + ||p3 − p5||) / (2 × ||p1 − p4||)

Interpretasi:

• EAR tinggi → mata terbuka
• EAR rendah → mata tertutup (kedipan)

Jika EAR berada di bawah threshold selama beberapa frame berturut-turut, sistem menganggap terjadi satu kedipan.

---

Blink Rate

Blink rate dihitung berdasarkan jumlah kedipan dalam interval waktu tertentu (kedipan/menit).

Indikasi:

• 10–20 blink/menit → normal

• 25 blink/menit → indikasi kelelahan

---

⚙ Adaptive Threshold

Alih-alih menggunakan threshold statis, sistem dapat menyesuaikan nilai threshold EAR berdasarkan:

• EAR rata-rata pengguna
• Kondisi pencahayaan
• Variasi bentuk mata

Hal ini membuat sistem lebih robust dan personal.

---

Fatigue Detection

Fatigue dideteksi menggunakan kombinasi:

• Blink rate tinggi
• Durasi mata tertutup yang lama
• EAR rendah secara konsisten

Contoh kondisi:

• Mata tertutup > 1.5 detik → Drowsy Warning
• Blink rate tinggi + EAR rendah → Fatigue Detected

---

EAR vs Waktu

Nilai EAR direkam setiap frame dan dapat divisualisasikan sebagai grafik EAR terhadap waktu.

Contoh Grafik EAR vs Waktu

(Ilustrasi)

EAR
│        ┌───┐        ┌───┐
│        │   │        │   │
│   ┌────┘   └────┐   └───┘
│───┘              └─────────── waktu

Penurunan EAR yang tajam menunjukkan kedipan mata. Jika EAR berada di bawah threshold dalam durasi lama, sistem mengindikasikan drowsiness.

Manfaat:

• Analisis pola kedipan
• Identifikasi micro-sleep
• Data untuk pengembangan machine learning

---

Diagram Sistem

Alur Kerja Sistem

Camera Input
     │
     ▼
Face Detection (MediaPipe)
     │
     ▼
Eye Landmark Extraction (468 points)
     │
     ▼
EAR Calculation
     │
     ▼
Blink Detection & Fatigue Analysis
     │
     ▼
Visual Output + Logging

Diagram ini menunjukkan bagaimana data video diproses secara bertahap hingga menghasilkan deteksi kedipan dan indikasi kelelahan.

---

Teknologi yang Digunakan

• Python
• OpenCV
• MediaPipe Face Mesh
• NumPy
• SciPy

---

▶ Cara Menjalankan

1. Install dependency:

pip install opencv-python mediapipe numpy scipy

2. Jalankan program:

python eyeblink.py

3. Tekan q untuk keluar.

---

❓ Apakah Ini Machine Learning?

✔ Menggunakan model ML pre-trained dari MediaPipe untuk facial landmark detection.

❌ Tidak melakukan training model baru.

Logika blink, EAR, dan fatigue menggunakan pendekatan matematis dan rule-based.

---

🎯 Use Case

• Driver fatigue monitoring
• Human–Computer Interaction (HCI)
• Proyek computer vision
• Sistem monitoring kesehatan ringan
• Research & edukasi

---

🔮 Pengembangan Selanjutnya

• Grafik EAR real-time
• Alarm suara saat drowsy
• Dashboard GUI (Streamlit / Tkinter)
• Model ML/LSTM untuk klasifikasi fatigue
• Deployment ke Raspberry Pi / edge device

---

👨‍💻 Author

Dhava Wirayuda Electrical Engineering / Telecomunication Focus on: Computer Vision, IoT, AI, Web3