简介这是一套面向高校计算机相关专业毕业设计场景的完整项目源码基于Python与OpenCV实现人脸识别员工考勤功能适合正在准备毕设、课程设计或需要人脸识别落地案例的学生与开发者参考。压缩包共26个文件约239.37MB包含3个Python核心脚本、15张界面与素材PNG图片、字体文件、配置文件及说明文档等涵盖人脸检测识别逻辑、前端页面资源与运行配置目录结构清晰便于按模块阅读与二次开发。项目已获导师指导并通过答辩下载后无需修改即可运行能帮助读者快速理解人脸识别考勤的完整实现链路包括人脸采集、特征比对、考勤记录与界面交互等关键环节也可作为功能扩展与代码调试的起点。目前已有1778人学习下载适合需要现成高分毕设方案或人脸识别入门实战的读者。1. 从一张打卡照片说起这套 PythonOpenCV 考勤系统到底能跑多远很多做毕业设计的同学第一次接触人脸识别考勤脑子里想的都是摄像头一开谁来了自动记一笔真动手才发现事情没那么简单。这套基于 Python OpenCV 的员工考勤系统源码本质上解决的是一个闭环问题用摄像头采集人脸、把人脸从画面里抠出来、跟已录入的员工底库比对、比对成功就写一条带时间戳的考勤记录。它适合三类人一是毕业设计需要一套能跑通、能讲清楚原理的完整项目二是想入门计算机视觉、拿真实场景练手的 Python 初学者三是小团队想搭个几十人规模的内部打卡原型验证一下可行性。需要先把预期摆正。OpenCV 自带的 LBPH 这类传统人脸识别器在光照稳定、正脸、人数不多的场景下够用但它不是商用人脸识别门禁机那种工业级方案。你要的是能演示、能答辩、能自己改而不是上万人的高精度闸机。想清楚这一点后面选型、调参、踩坑都会顺很多。这套源码的价值不在于算法多先进而在于它把采集、训练、识别、记录这条链路完整串起来了你能顺着它把每个环节都摸一遍。2. 拆开这套源码人脸考勤系统的四个核心模块与选型逻辑一套能跑的人脸考勤系统拆开看就是四块人脸检测、人脸识别、数据存储、考勤逻辑。这四块怎么选直接决定了你后面是顺风顺水还是天天调 bug。下面把每块的选型理由和落地方式讲清楚。2.1 人脸检测为什么优先用 Haar 级联而不是深度学习模型人脸检测的任务是从整张图里框出人脸在哪它不负责认人。OpenCV 里最经典的做法是 Haar 级联分类器源码里通常长这样import cv2 # 加载 OpenCV 自带的 Haar 级联人脸检测器 # 这个 xml 文件随 opencv 安装包一起提供无需额外下载 face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) def detect_faces(gray_frame): # scaleFactor1.1 表示每次图像尺寸缩小 10% 继续扫描 # minNeighbors5 控制误检值越大越严格但可能漏检 # minSize 限制最小人脸避免把远处的小噪点当成人脸 faces face_cascade.detectMultiScale( gray_frame, scaleFactor1.1, minNeighbors5, minSize(80, 80) ) return faces选 Haar 而不是 MTCNN、RetinaFace 这类深度学习检测器理由很实际Haar 不需要 GPU不需要额外下载几百兆的权重文件pip install opencv-python之后直接能用对毕业设计这种要在老师电脑上当场演示的场景极其友好。代价是它对侧脸、遮挡、暗光比较敏感正脸检测率还行歪头就容易漏。三个参数是必须理解的。scaleFactor越小扫描越细检测越全但越慢1.1 是速度和召回率的平衡点minNeighbors是一个候选框周围要有多少个邻居才认定是人脸调大到 6~8 能压掉大部分误检但人脸稍微偏一点就检不到minSize一定要设否则画面里的纹理噪点会被当成小人脸这是新手最常见的翻车点。如果你确实需要更好的检测效果可以换成 OpenCV 的 DNN 模块加载 Caffe 或 ONNX 模型但那就需要额外准备模型文件部署复杂度上一个台阶。我的建议是先用 Haar 把整条链路跑通确认考勤逻辑没问题再考虑换检测器。2.2 人脸识别用 LBPH训练快、样本少、可增量更新检测出人脸之后要判断这是谁。OpenCV 的face模块提供了三种识别器Eigenfaces、Fisherfaces、LBPH。源码里用得最多的是 LBPH因为它对光照变化的鲁棒性最好而且支持增量更新——新员工入职不用把所有人的数据重新训练一遍。LBPH 的原理是把人脸切成很多小格每格计算局部二值模式直方图最后拼成一个特征向量。它不依赖像素绝对亮度所以对整体明暗变化不敏感。代价是它对姿态变化和表情变化比较敏感同一个人正脸和侧脸的特征差异会比较大。import cv2 import numpy as np import os # 创建 LBPH 识别器 # radius1 是 LBP 算子的半径neighbors8 是采样点数量 # grid_x/grid_y 把图像分成 8x8 的网格网格越细对局部特征越敏感 recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 ) def train_model(dataset_path): faces [] labels [] label_map {} # 人名 - 数字标签 current_label 0 # 遍历 dataset 下每个员工一个文件夹 for person_name in os.listdir(dataset_path): person_dir os.path.join(dataset_path, person_name) if not os.path.isdir(person_dir): continue label_map[current_label] person_name for img_file in os.listdir(person_dir): img_path os.path.join(person_dir, img_file) # 以灰度模式读取LBPH 只吃灰度图 img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: continue faces.append(img) labels.append(current_label) current_label 1 # 训练这一步很快几十张图秒级完成 recognizer.train(faces, np.array(labels)) # 保存模型下次直接 load 不用重训 recognizer.save(trainer.yml) return label_map这里有个关键设计标签用数字人名靠label_map映射。识别时拿到的是数字标签再查表还原成人名。很多人图省事直接用文件夹名当标签结果训练时报类型错误因为 OpenCV 要求标签是整数。grid_x和grid_y是 LBPH 最值得调的参数。默认 8x8 对正脸够用如果你发现同一个人经常被识别成别人可以调到 10x10 或 12x12让局部特征更细如果发现同一个人自己都认不出来置信度波动大反而要调小一点减少过拟合。2.3 数据存储为什么用 CSV 而不是直接上数据库考勤记录存哪是个容易被忽视但很影响体验的问题。源码里常见两种做法存 CSV 文件或者存 SQLite。我的建议是毕业设计阶段用 CSV理由有三一是零依赖不用装数据库、不用配连接二是可以直接用 Excel 打开给老师看演示效果好三是代码简单出问题好排查。import csv import datetime def mark_attendance(name, csv_pathattendance.csv): now datetime.datetime.now() date_str now.strftime(%Y-%m-%d) time_str now.strftime(%H:%M:%S) # 先读已有记录判断今天这个人是否已经打过卡 existing set() try: with open(csv_path, r, newline, encodingutf-8) as f: reader csv.reader(f) next(reader, None) # 跳过表头 for row in reader: if len(row) 2: existing.add((row[0], row[1])) except FileNotFoundError: pass # 同一天同一人只记一次避免摄像头连续帧重复写入 if (name, date_str) in existing: return False # 追加写入modea 不会覆盖历史 with open(csv_path, a, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([name, date_str, time_str]) return True这段代码里最容易被忽略的是去重。摄像头是连续采集的一个人站在镜头前 3 秒可能被识别 30 次如果每次都写一条考勤表瞬间被刷屏。用(name, date)做去重键保证一天只记一次这是必须做的。如果要做上下班两次打卡就把去重键改成(name, date, 时段)时段按时间判断是上午还是下午。2.4 考勤逻辑识别置信度阈值怎么定LBPH 的predict返回两个值标签和置信度。注意这里的置信度是距离值越小表示越像跟一般理解的置信度越高越好正好相反。这是新手最容易搞反的地方。def recognize_face(gray_face, recognizer, label_map, threshold70): label, distance recognizer.predict(gray_face) # distance 越小越像小于阈值才认为是同一个人 if distance threshold: return label_map.get(label, Unknown), distance return Unknown, distance阈值定多少直接决定认错人和认不出人哪个更多。经验值LBPH 在 50~80 之间比较合理。阈值设太小比如 40本人经常认不出来设太大比如 100容易把别人认成你。我的做法是先跑一批测试把每个人的 distance 打印出来看本人识别的距离分布取一个比最大值稍大的数当阈值。这个数没有标准答案跟你的数据集质量强相关。3. 从零跑通环境搭建、数据采集、训练、识别的完整命令上一章讲的是为什么这么选这一章讲具体怎么敲。按顺序走每一步都有可复制的代码和命令。3.1 环境搭建Python 版本与 OpenCV 安装的坑Python 版本建议 3.8~3.10太新的版本3.12有时候opencv-contrib-python的预编译包还没跟上会触发源码编译非常折腾。安装命令# 创建虚拟环境避免污染系统 Python python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate # 关键必须装 contrib 版本face 模块在 contrib 里 pip install opencv-contrib-python4.8.1.78 pip install numpy这里有个高频报错ModuleNotFoundError: No module named cv2.face。原因就是你装的是opencv-python而不是opencv-contrib-python。face模块属于 contrib 扩展普通版没有。解决办法是先pip uninstall opencv-python再装 contrib 版。如果两个都装了会出现模块冲突务必只留一个。提示装完之后用python -c import cv2; print(cv2.__version__); print(hasattr(cv2, face))验证输出 True 才算装对。3.2 数据采集每个员工拍多少张、怎么拍数据质量决定识别上限。采集脚本的核心逻辑是打开摄像头检测人脸把检测到的人脸区域裁剪出来存成灰度图。import cv2 import os def collect_faces(person_name, save_dirdataset, max_count100): # 每个员工一个文件夹 person_dir os.path.join(save_dir, person_name) os.makedirs(person_dir, exist_okTrue) cam cv2.VideoCapture(0) # 0 是默认摄像头 face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) count 0 while count max_count: ret, frame cam.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.1, 5, minSize(80, 80)) for (x, y, w, h) in faces: count 1 # 只存人脸区域统一缩放到 200x200减少后续差异 face_img cv2.resize(gray[y:yh, x:xw], (200, 200)) cv2.imwrite(f{person_dir}/{count}.jpg, face_img) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(Collecting, frame) if cv2.waitKey(1) 0xFF 27: # 按 ESC 提前退出 break cam.release() cv2.destroyAllWindows()采集时的实操要点每个员工拍 50~100 张太少特征不够太多训练变慢且收益递减。拍摄时要有意识地变换角度——正脸、稍微左偏、稍微右偏、戴眼镜和不戴眼镜各来一些这样模型对姿态的容忍度会高一些。光照尽量均匀避免一半脸在阴影里。背景不要太花虽然 Haar 只关心人脸区域但背景太乱会增加误检概率。3.3 训练与识别把模型跑起来训练用 2.2 节的train_model识别主循环长这样import cv2 import numpy as np def run_attendance(model_pathtrainer.yml, label_mapNone, threshold70): recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(model_path) # 加载已训练模型 face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) cam cv2.VideoCapture(0) while True: ret, frame cam.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.1, 5, minSize(80, 80)) for (x, y, w, h) in faces: face_img cv2.resize(gray[y:yh, x:xw], (200, 200)) label, distance recognizer.predict(face_img) if distance threshold: name label_map.get(label, Unknown) color (0, 255, 0) # 识别成功写考勤 mark_attendance(name) else: name Unknown color (0, 0, 255) cv2.rectangle(frame, (x, y), (xw, yh), color, 2) cv2.putText(frame, f{name} {int(distance)}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2) cv2.imshow(Attendance, frame) if cv2.waitKey(1) 0xFF 27: break cam.release() cv2.destroyAllWindows()注意识别时的人脸预处理必须和训练时一致都转灰度、都 resize 到 200x200。如果训练用 200x200、识别用原图尺寸特征对不上识别率会断崖式下跌。这是很多人训练明明成功了但识别全是 Unknown的根本原因。4. 避坑与排查这套源码最容易翻车的五个地方这一章全是血泪经验每条按现象 → 原因 → 解决写遇到问题直接对号入座。现象一运行报ModuleNotFoundError: No module named cv2.face。原因装的是opencv-pythonface模块在 contrib 包里。 解决pip uninstall opencv-python opencv-contrib-python然后只装pip install opencv-contrib-python。装完用hasattr(cv2, face)验证。现象二摄像头能开但画面里明明有人脸却检测不到。原因多半是minSize设太大或者光照太暗导致灰度图对比度不够。 解决先把minSize降到 (50, 50) 试再把scaleFactor降到 1.05 提高扫描密度。如果还是不行打印一下灰度图的均值低于 50 说明太暗需要补光或加直方图均衡化cv2.equalizeHist(gray)。现象三识别结果全是 Unknown或者置信度 distance 特别大100 以上。原因训练和识别的预处理不一致最常见的是尺寸不同或一个用彩色一个用灰度。 解决把训练和识别的人脸裁剪、灰度转换、resize 三步写成同一个函数两边都调用它杜绝不一致。另外确认label_map在识别时和训练时是同一份。现象四同一个人一会儿认得出、一会儿认不出distance 忽大忽小。原因LBPH 对光照和姿态敏感采集时样本太单一模型没见过侧脸或暗光下的样子。 解决重新采集刻意覆盖不同角度和光照。如果不想重采把grid_x、grid_y从 8 降到 6让特征更粗、更稳定代价是区分度下降。现象五考勤表里同一个人被记了几十条。原因没有做去重摄像头连续帧每帧都触发写入。 解决用 2.3 节的(name, date)去重逻辑。更稳妥的做法是加一个冷却时间同一个人识别成功后 30 秒内不再重复写入。注意调试阶段建议把每次识别的label和distance都打印到控制台出问题时一眼就能看出是检测没框到、还是识别距离超标比盯着画面猜快得多。5. 让识别更稳的几个进阶技巧与验证方法基础版跑通之后如果你想让这套系统在答辩现场更稳、或者想往真实场景靠有几个投入产出比很高的改进方向。第一个是直方图均衡化。在灰度转换之后加一行gray cv2.equalizeHist(gray)能显著改善暗光下的检测和识别效果。原理是把图像的灰度分布拉平让暗部细节显现出来。代价是噪点也会被放大所以光照本来就均匀的场景反而可能变差要实测。第二个是识别结果的投票平滑。单帧识别容易抖动可以维护一个最近 N 帧的识别结果队列只有同一个名字连续出现 5 帧以上才确认打卡。这样能过滤掉偶发的误识别代价是响应慢半拍。实现上用一个collections.deque(maxlen5)存最近结果统计众数即可。第三个是阈值自适应。固定阈值在不同人身上表现不一样可以给每个员工单独记录一个历史 distance 均值识别时用当前 distance 是否显著偏离该员工的历史分布来判断而不是一刀切。这个改动稍大但能明显降低认错人的概率。验证方法上别只用自己一个人测。找 5~8 个同事或同学每人采集后做一轮交叉测试本人测试看识别率互相测试看误识率。记录两个指标——本人识别成功率应该 90% 以上和误识率应该接近 0。如果误识率高优先调大minNeighbors和降低识别阈值如果本人识别率低优先补采集样本和调grid参数。最后说个我自己的习惯每次改完参数我都会把trainer.yml和attendance.csv备份一份命名带上日期。因为调参是个反复试错的过程改崩了能一键回滚比重新采集训练省太多时间。这套源码本身不复杂真正花时间的是数据质量和参数磨合把这两件事做扎实答辩演示基本不会出岔子。希望帮到你。本文还有配套的精品资源点击获取