Python人脸识别考勤系统课设：OpenCV+SQLite完整源码与避坑指南

简介本资源为基于人脸识别的学生考勤签到管理系统完整课程设计包面向计算机、人工智能、通信、物联网等专业在校学生与教师可用于课程设计、毕业设计、大作业或项目立项演示。包内共160个文件以52个py源码与78个pyc编译文件为核心辅以mp4运行演示视频、docx课设报告、pkl模型文件、xlsx数据表、db数据库及xml人脸定位文件等压缩包约10.16MB。系统涵盖人脸录入、训练与识别签到、签到签退、哈希加密等模块服务端与客户端分离并附有LSTM用户画像与考勤数据分析的完整研究方案。已有270人学习下载。读者可获得可稳定运行的源码、实操录屏、结构清晰的课设报告与排错说明便于快速理解人脸识别考勤的工程实现并在此基础上进行二次开发与功能扩展。1. 从一份课设压缩包说起人脸识别考勤系统能跑成什么样课程设计季一到计算机相关专业的同学最头疼的往往不是写报告而是找一个「代码完整、功能验证过、还能讲清楚原理」的项目。这份基于人脸识别的学生考勤签到管理系统就是冲着这个场景来的Python 源码、运行视频、课设报告三件套打包在一起客户端负责摄像头采集与人脸识别签到服务端负责接收数据、落库和统计展示。它适合计科、人工智能、物联网等方向的学生做课设、毕设或大作业也适合刚入门想拿一个完整 C/S 架构项目练手的开发者。需要先说明的是项目里人脸识别用的是轻量预训练模型定位人脸的能力比重量级方案弱一些但换来的是在普通笔记本上也能跑起来的运行速度这个取舍后面会细讲。2. 拆开压缩包目录结构、技术栈与运行前置条件2.1 文件清单与各文件职责解压之后先别急着双击运行花两分钟把目录看一遍能省掉后面一半的报错排查时间。从项目正文给出的打包情况看核心文件分布大致如下文件/目录作用备注client.py客户端主程序摄像头采集、人脸识别、签到签退入口main.py服务端主程序监听端口、接收数据、写库testDB.dbSQLite 数据库文件存储学生信息与考勤记录haarcascade_frontalface_default.xml人脸定位级联分类器必须放到 client 端根目录pip.inipip 镜像配置加速依赖安装课程设计报告.docx课设报告含目录、实验分析、结论项目说明.md运行说明端口、路径等关键提示这里有个血泪经验haarcascade_frontalface_default.xml放在DATASource目录里但程序运行时是从 client 端根目录找它的。很多人第一次跑报「无法定位人脸」不是摄像头坏了是这个 xml 没挪位置。2.2 技术栈与依赖环境项目是典型的 Python C/S 架构客户端和服务端通过本机地址127.0.0.1、端口12345通信。人脸识别部分走的是 OpenCV 的传统路线Haar 级联做人脸定位再提取特征生成 yml 模型文件识别时调用 yml 特征库做快速比对。数据库用 SQLite单文件testDB.db不需要额外装数据库服务这对课设环境很友好。依赖安装建议先看pip.ini里面通常配好了国内镜像源。如果没配手动指定一下pip install opencv-python opencv-contrib-python numpy pillow -i https://pypi.tuna.tsinghua.edu.cn/simpleopencv-contrib-python不能省人脸识别相关的face模块在 contrib 包里只装opencv-python会在cv2.face处报AttributeError。参数上-i后面跟镜像地址网络正常的话几十秒就能装完。提示项目路径和项目名不要用中文解压后重命名为英文再运行否则 OpenCV 读文件时可能出现解析不了的错误。2.3 启动顺序与端口检查启动顺序不能反先起服务端再起客户端。服务端main.py会绑定12345端口如果这个端口被占用客户端连不上会直接报连接错误。常见占用源是某些网盘客户端项目说明里专门提到「如果出现报错请关闭阿里云盘」就是这个原因。# 先启动服务端 python main.py # 另开一个终端启动客户端 python client.py服务端启动后不要关那个终端窗口它需要一直监听。客户端启动后会调摄像头第一次运行系统会弹权限申请允许即可。如果摄像头被其他程序占用比如视频会议软件客户端会黑屏或报cant open camera关掉占用程序再试。3. 人脸录入、训练与签到三个核心功能的实现链路3.1 人脸录入采集多少张、怎么采才有效人脸录入是整个系统的数据源头采得好不好直接决定后面识别的准确率。项目里录入功能会调用摄像头对同一个人采集多张人脸图像存到指定目录并绑定学号或姓名。常见做法是采集 20 到 30 张覆盖正脸、轻微左右偏转、戴眼镜和不戴眼镜的情况。采集时有两个参数值得注意一是采集间隔不要连续狂拍每张之间隔个零点几秒让脸有轻微移动增加样本多样性二是光照尽量在均匀光线下采背光或侧光太强会让 Haar 定位失败采到的图里根本没有脸训练出来就是废模型。import cv2 # 加载人脸定位分类器路径按实际放置位置调整 face_cascade cv2.CascadeClassifier(haarcascade_frontalface_default.xml) cam cv2.VideoCapture(0) # 0 表示默认摄像头 count 0 while count 30: ret, frame cam.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 转灰度Haar 只吃灰度图 faces face_cascade.detectMultiScale(gray, 1.3, 5) # 缩放系数1.3最小邻居数5 for (x, y, w, h) in faces: count 1 cv2.imwrite(fdata/User.{count}.jpg, gray[y:yh, x:xw]) # 只存人脸区域 cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(capture, frame) if cv2.waitKey(100) 0xFF 27: # 按 ESC 提前退出 break cam.release() cv2.destroyAllWindows()detectMultiScale的两个关键参数scaleFactor1.3表示每次图像尺寸缩小 1.3 倍来搜索人脸值越小搜得越细但越慢minNeighbors5表示一个候选框周围要有 5 个邻居才确认是人脸调高能减少误检调低能减少漏检。采完图后建议人工翻一遍把明显不是脸的图删掉这一步偷懒后面识别就会翻车。3.2 人脸训练yml 模型是怎么生成的录入的是一张张 jpg训练要做的是把这些图喂给识别器生成一个 yml 特征库文件。项目用的是特征提取方法常见实现是 LBPH局部二值模式直方图识别器它对光照变化有一定鲁棒性适合课设这种小样本场景。import cv2 import numpy as np import os recognizer cv2.face.LBPHFaceRecognizer_create() detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) def get_images_and_labels(path): image_paths [os.path.join(path, f) for f in os.listdir(path)] faces [] ids [] for image_path in image_paths: gray cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 文件名格式 User.1.1.jpg取第二段作为标签 ID id int(os.path.split(image_path)[-1].split(.)[1]) faces.append(gray) ids.append(id) return faces, np.array(ids) faces, ids get_images_and_labels(data) recognizer.train(faces, ids) # 训练 recognizer.write(trainer/trainer.yml) # 生成 yml 模型 print(f训练完成共 {len(faces)} 张样本)LBPHFaceRecognizer_create()创建识别器train()接收人脸数组和对应标签数组write()把模型落盘成 yml。标签 ID 从文件名里解析所以录入时文件名格式必须统一否则训练出来的标签是乱的识别时全对不上号。训练完成后识别阶段用recognizer.predict()返回标签和置信度置信度越低表示越像一般低于 50 可以认为是同一个人具体阈值要按自己采集的样本调。3.3 签到与签退数据怎么从客户端流到数据库签到签退是业务层逻辑。客户端识别出人脸后拿到对应的学生 ID把签到时间、状态打包通过 socket 发给服务端服务端写进testDB.db。项目里签到和签退是两个独立功能通常按时间段区分上午到课算签到下课离开算签退。import socket import json import datetime def send_checkin(student_id, action): payload { student_id: student_id, action: action, # checkin 或 checkout time: datetime.datetime.now().strftime(%Y-%m-%d %H:%M:%S) } s socket.socket(socket.AF_INET, socket.SOCK_STREAM) s.connect((127.0.0.1, 12345)) # 地址和端口与服务端一致 s.send(json.dumps(payload).encode(utf-8)) resp s.recv(1024).decode(utf-8) s.close() return resp这里用 JSON 做序列化比直接拼字符串稳字段清晰也好扩展。action字段区分签到签退服务端按这个字段决定写哪张表或哪个状态位。哈希加密功能用在学生密码或敏感字段上常见做法是hashlib.sha256加盐避免明文存库。socket 通信要注意粘包问题课设规模下数据量小一般不会触发但如果后面扩展成多用户并发就得加长度头或分隔符来切分消息边界。4. 避坑与排查打包失败功能与运行报错怎么处理4.1 教师端刷新查看功能失效现象教师端点刷新没反应或者直接抛异常退出。原因是这个功能用了并行库打包成 exe 后并行库的进程创建机制和打包环境冲突子进程起不来。解决方式是别用打包好的 exe直接跑源码python main.py源码环境下并行库正常。如果必须打包把并行部分改成串行或线程池牺牲一点速度换稳定。4.2 多用户签到在部分电脑上跑不起来现象同一份代码有的电脑能多用户同时签到有的直接卡死或丢消息。原因是消息队列在不同系统上的实现依赖有差异项目说明里也写了「原因尚未明确」。解决方式是课设演示时用单用户串行签到或者把消息队列换成基于 socket 的简单请求-响应模式一个请求处理完再处理下一个虽然并发能力弱但至少不会玄学崩溃。4.3 用户画像功能显示违规字符现象历次签到时间通过 socket 传输后界面上出现乱码或违规字符。原因是编码不一致发送端和接收端的解码方式没对齐或者时间字符串里混入了不可见字符。解决方式是在发送前统一encode(utf-8)接收后统一decode(utf-8)并在写库前对字符串做一次清洗过滤掉非打印字符。4.4 打包后启动和运行明显变慢现象源码跑得好好的打包成 exe 后启动要等十几秒识别也变卡。原因是打包工具把整个 Python 解释器和依赖都塞进 exe启动时要解压到临时目录加上项目本身多用户连接的实验数据是在源码环境测的打包后环境变了数据自然对不上。解决方式是演示和实验数据采集都用源码环境exe 只作为分发备份不作为性能参考。4.5 端口被占用导致连接失败现象客户端报连接拒绝或超时。原因是12345端口被其他程序占了网盘客户端是常见嫌疑。解决方式是先查端口占用Windows 下用netstat -ano | findstr 12345找到 PID再决定是关程序还是改端口。改端口的话客户端和服务端两边的端口号要同步改只改一边照样连不上。5. 从能跑到好用阈值调优与二次开发的一点技巧把系统跑起来只是第一步真正让它在答辩或演示时不出丑靠的是几个细节调优。先说识别阈值LBPH 的predict()返回的置信度不是概率是距离值越小越像。默认没有固定阈值你得自己试拿同一个人不同角度的图测记录置信度分布再拿不同人的图测找一个能把两者分开的临界值。我一般会写个小脚本批量跑一遍把置信度打出来看分布而不是凭感觉设一个 50 就完事。# 批量测试置信度分布帮助确定阈值 import cv2 recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer/trainer.yml) test_img cv2.imread(test/someone.jpg, cv2.IMREAD_GRAYSCALE) label, confidence recognizer.predict(test_img) print(f预测标签: {label}, 置信度: {confidence:.2f}) # 置信度低于阈值判为同一人高于阈值判为陌生人再说二次开发。项目本身留了不少扩展口子签到数据已经在testDB.db里想加考勤率统计直接写 SQL 查就行想加人脸识别门禁联动把签到成功后的 socket 消息再转发一路给门禁控制端即可。用户画像那块用了 LSTM 做签到预测如果你不想碰深度学习换成简单的统计方法——比如按学生历史签到时间算个均值方差超过阈值就标异常——效果未必差还省了训练时间。最后说一个我自己的习惯每次改完代码先不急着接摄像头用几张本地图片跑一遍识别流程确认模型加载、标签解析、数据库写入这三步都通再接硬件。这样出问题时能快速定位是算法层还是硬件层。从那以后我每次交付这类课设项目都强制走一遍「本地图测试 → 摄像头测试 → 多用户测试」的流程省得在演示现场手忙脚乱。希望帮到你。本文还有配套的精品资源点击获取