简介本资源是一个基于Python与OpenCV开发的轻量级人脸识别签到考勤系统面向计算机视觉初学者、高校课程设计学生及中小型办公场景的技术实践者旨在解决传统人工考勤效率低、易代签、数据难统计等问题。压缩包共23个文件1.97MB包含3个核心Python脚本实现摄像头捕获、人脸检测与识别逻辑、CSV考勤记录写入、2个UI界面文件基于PyQt5构建可视化操作窗口、4个OpenCV预训练XML级联分类器用于实时人脸定位、5张PNG图标与Logo资源以及README.md等说明文档结构清晰、模块解耦便于理解整体流程与二次开发。目前已有6584人学习下载提供完整可运行工程含图形界面交互、时间戳自动记录、单日多次签到/签退状态管理、停留时长计算及Attendance.csv结构化存储开箱即用是掌握OpenCV人脸检测Python GUI考勤业务逻辑集成的典型入门级实战项目。1. 项目概述与设计思路1.1 从“签到考勤”这个需求说起去年有一个做小工厂的朋友找我说他们车间一直用纸质表格登记考勤月底统计费时费力还经常有人替签。他问我能不能搞一个简单的人脸识别签到系统不需要贵得离谱的门禁硬件就用普通电脑加USB摄像头员工往摄像头前一站自动识别身份、记录到岗时间。于是我做了这套基于Python和OpenCV的人脸识别签到考勤系统整个项目打包成了一个zip压缩包里面包含了完整的源码、说明文档和示例数据库。先给这套系统定个位它不是那种使用深度学习的百万级人脸识别方案而是基于OpenCV传统视觉库的轻量级实现目标是在小团队、小规模场景下用最低的成本解决“身份确认时间记录”的问题。它适合小型企业、初创团队、实验室、健身房等几十人规模的考勤场景也适合Python初学者用来学习人脸识别的完整链路。整套系统跑起来只需要一台带摄像头的电脑和Python环境不需要额外购买专用设备。1.2 为什么选择PythonOpenCV这套组合很多人一提到人脸识别就想到TensorFlow、PyTorch其实对于考勤签到这个需求传统计算机视觉方案完全够用。我选择PythonOpenCV主要基于三个理由。第一OpenCV内部集成了人脸检测与人脸识别模块不需要自己训练大型神经网络。它提供了Haar级联分类器用于人脸检测LBPH局部二值模式直方图算法用于人脸特征提取与匹配这两个算法的组合在室内光线稳定、人距摄像头1米左右的环境下识别准确率能达到90%以上。对于考勤场景来说这个准确率完全可用。第二Python生态让开发效率非常高。OpenCV本身是用C写的但提供了Python接口像cv2.face.LBPHFaceRecognizer_create()这个函数一行代码就能创建一个人脸识别器。配合Pillow、Tkinter、sqlite3这些标准库我可以在一个下午把核心逻辑跑通后续再逐步完善界面和异常处理。第三部署门槛低。Windows、Linux、macOS都能装opencv-python一个pip命令就完成不需要编译源码不需要配置GPU普通办公电脑的CPU就能流畅运行。这也是我敢把它做成zip包给别人用的原因——拿到压缩包装好依赖运行主程序就能直接使用。当然这套方案也有短板。一是它依赖传统特征提取对侧脸、遮挡、极端光照的鲁棒性不如深度学习方法二是LBPH模型本质上是一个局部纹理统计模型如果两个人长得特别像理论上可能混淆。所以我在系统设计里加入了“识别置信度阈值”和“人工确认”机制把识别结果低于阈值的记录标记为待人工审核避免误打卡。1.3 系统整体架构概览整套系统按照功能可以拆成五个模块人脸样本采集模块、模型训练模块、实时识别模块、考勤记录模块、界面交互模块。样本采集模块负责从摄像头捕获员工人脸图像并统一缩放到固定尺寸后存入训练样本目录。模型训练模块读取所有员工的样本图片调用LBPH算法训练出一个人脸特征模型文件。实时识别模块启动摄像头对视频流中的每一帧做人脸检测把检测到的人脸区域交给LBPH模型预测身份同时返回置信度。考勤记录模块根据识别结果查询数据库写入签到时间并判断是否迟到。界面交互模块用Tkinter实现一个简单的可视化窗口显示摄像头画面、当前识别到的员工姓名、签到状态和今日考勤列表。数据存储我用的是SQLite这是Python自带的轻量级数据库不需要安装服务。员工表存储工号、姓名、照片路径考勤表存储日期、工号、签到时间、状态、备注。SQLite对几十人规模的考勤记录完全够用而且整个数据库就是一个文件方便备份和迁移。这个架构有一个很明显的优点各模块之间通过文件、数据库和接口解耦。如果之后想升级识别引擎只需替换训练模块和识别模块其他模块不受影响如果想增加请假、外勤功能只需扩展数据库字段和界面逻辑不需要动核心识别部分。2. 核心技术拆解OpenCV人脸识别到底是怎么工作的2.1 人脸检测用Haar级联还是DNN检测器很多初学者会把“人脸检测”和“人脸识别”混为一谈。这里先说清楚人脸检测是在图像里找出“哪里有人脸”输出的是人脸所在的矩形框人脸识别是判断“这张脸是谁”输出的是身份标签。检测是识别的前提。OpenCV里最经典的人脸检测方法是Haar级联分类器它是2001年Viola和Jones提出的原理是使用Haar-like特征类似黑白矩形组合的特征模板结合AdaBoost训练出一系列弱分类器再级联成强分类器。OpenCV自带了训练好的frontalface_default.xml文件可以直接拿来用。我在这个项目里用的是haarcascade_frontalface_default.xml调用方式如下import cv2 face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(80, 80) )这里有几个参数需要解释。scaleFactor表示每次缩放图像的比例1.1表示每次将图像缩小10%。值越小检测精度越高但计算量也越大1.1到1.2是比较常用的折中。minNeighbors表示每个候选矩形周围至少需要多少个有效检测框才能认定为一个人脸。增大这个值可以减少误检但可能漏掉一些遮挡较多的脸。minSize设置最小检测尺寸太小的检测框往往是噪声直接过滤掉能明显提升稳定性和性能。后来我还尝试过用OpenCV的DNN人脸检测器它基于SSDSingle Shot MultiBox Detector框架和ResNet骨干网络检测精度比Haar高不少尤其对侧脸和暗光环境更友好。但DNN模型需要另外下载权重文件模型体积有十几MB而且对CPU的占用比Haar高。在考勤这个场景下员工一般是正脸看向摄像头Haar级联已经足够了。所以最终版本仍然保留了Haar作为默认方案但在代码里留了一个开关如果摄像头前光线较差可以切换DNN检测器。2.2 人脸特征提取与匹配LBPH算法的直觉理解LBPH全称是Local Binary Pattern Histogram也就是局部二值模式直方图。它不是为了深度学习而设计的而是一种经典的纹理描述子用于提取图像中的局部纹理特征。LBPH的思路大致分三步。第一步把图像转成灰度图。第二步对每个像素取它周围3×3邻域里的8个像素分别与当前像素的灰度值比较。周围像素比当前像素亮就记为1暗就记为0这样得到一个8位二进制数再转换成十进制这个值就代表了该像素的局部纹理模式。第三步把整张图像划分成若干个小格子比如8×8的网格统计每个格子内不同LBP值的出现次数形成直方图。把所有格子的直方图拼接起来就得到整张人脸的LBPH特征向量。训练时系统提取每位员工若干张人脸图片的LBPH特征存储为参考特征向量。识别时提取当前人脸的特征计算它与所有参考特征之间的距离OpenCV用的是相似度评分分数越低表示越相似取最小距离对应的员工ID作为识别结果。使用LBPH有几点需要注意。一是输入的训练图片必须是灰度图且尺寸统一我在采集样本时统一缩放为200×200像素。二是训练样本每个员工至少要有10张以上图片而且最好覆盖不同的角度、表情和光线条件否则模型对变化的泛化能力很差。三是LBPH对图像对齐比较敏感如果摄像头里人脸位置偏上偏下、旋转角度过大识别效果就会下降。所以我的采集程序会在检测到人脸后把检测框稍微向外扩一点并居中裁剪这样训练和识别时人脸区域的特征分布更一致。2.3 识别置信度与阈值判断如何避免误打卡OpenCV的LBPH识别器在执行predict方法时会返回两个值标签label和置信度confidence。注意这个置信度其实是欧氏距离或相似度距离数值越小表示与训练样本越接近。recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer.yml) label, confidence recognizer.predict(face_roi)实际运行中同一个员工在不同光线和角度下置信度通常在50到90之间。如果摄像头正对、光线均匀置信度可能只有50多如果光线偏暗或者人脸稍微侧一点置信度可能飙升到120甚至更高。如果把所有识别结果都视为有效就很可能发生“张冠李戴”或者“陌生人成功打卡”的问题。我的做法是设置三档阈值置信度低于60认定为可信直接完成签到60到80之间属于低置信度识别界面会弹出一个确认框由前台人员人工确认高于80认定为陌生人不给签到只保存一张抓拍图片供事后核对。这个阈值不是死规矩实际使用时应该根据现场测试结果调整。我最初设的是70结果有些人经常识别不到后来调整到80误识别率依然很低但签到通过率明显上升。还有一个容易被忽略的问题是陌生人的处理。如果有访客或者未录入的人员出现在摄像头前LBPH模型也会给出一个置信度和一个最近的标签如果只看置信度不够严谨。所以在我的代码里当置信度大于阈值时即使模型返回了某个员工ID也会强制标记为“未识别”不会写入考勤记录。这一点非常重要否则任何陌生人都会被当成距离最近的那个员工来签到。3. 考勤系统的数据设计与业务逻辑3.1 考勤记录需要哪些字段人脸识别只是解决了“是谁”的问题真正要落地的考勤还需要一套业务规则。我刚开始做的时候只简单记录了一个timestamp后来发现考勤统计时根本不够用于是重新设计了数据表。员工表至少需要员工ID主键、姓名、工号、部门、入职日期、照片路径。考勤表至少需要考勤ID自增主键、员工ID、日期、签到时间、签退时间、状态、识别置信度、抓拍照片路径、备注。看起来字段很多但每个字段都有实际价值。比如识别置信度字段可以用于后续核验有没有误识别抓拍照片路径可以在员工提出“我明明来上班了为什么没记录”时直接把当时摄像头拍下的照片调出来减少扯皮。日期字段必须单独存方便按天、按月统计分析。签退时间可以为空表示员工还没有签退下班时再次识别则会更新这一字段。3.2 数据库表结构设计我的SQLite建表语句如下CREATE TABLE IF NOT EXISTS employees ( emp_id INTEGER PRIMARY KEY AUTOINCREMENT, emp_no TEXT UNIQUE NOT NULL, name TEXT NOT NULL, department TEXT, photo_path TEXT, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE IF NOT EXISTS attendance ( id INTEGER PRIMARY KEY AUTOINCREMENT, emp_id INTEGER, work_date TEXT NOT NULL, check_in TEXT, check_out TEXT, status TEXT, confidence REAL, photo_path TEXT, remark TEXT, FOREIGN KEY (emp_id) REFERENCES employees(emp_id) );这里有几个设计细节值得说明。work_date我用文本格式YYYY-MM-DD存储方便直接按日期查询。check_in和check_out也使用文本格式HH:MM:SS这样查询迟到时可以直接用字符串比较虽然效率不是最优但这个量级的数据完全没问题。status字段用来存放“正常”、“迟到”、“早退”、“异常”等状态这个状态是在写入时人工判断生成的。之所以emp_no要加UNIQUE约束是因为员工工号是业务上的唯一标识不能重复。而emp_id作为自增主键对外完全透明内部关联都用emp_id完成即使工号调整了也不会影响历史考勤记录的关联。3.3 防重复签到与迟到判断逻辑考勤系统最常见的坑就是重复签到。员工在摄像头前多停留几秒程序可能在一秒内识别到多次导致同一天产生多条签到记录。我在写入数据库前增加了一步判断先查询当天的考勤记录如果已存在该员工当天记录则不再插入新记录而是弹出“您已完成签到”的提示。迟到判断的逻辑也不能太死。我先把“上班时间”配置为早上9:00。如果在9:00之前识别状态是“正常”9:00到9:30之间识别状态是“迟到”9:30之后识别状态是“迟到系统只记录时间是否需要补卡由管理员处理”。对于经常外出的岗位比如销售、仓库管理人员系统还支持管理员手动在后台把某条迟到记录改为“外勤正常”同时备注原因。签退逻辑类似如果当天还没有签退记录识别时更新check_out字段并计算当天工作时长。如果员工下班前忘记签退管理员可以手动补录签退时间但必须在备注中写明原因方便月底审计。实际开发中我还遇到一个需求同一台电脑可能用于两台考勤机的场景。我的解决办法是在数据库里增加了一个device_id字段目前文档版没有体现正式版里我加了。这个字段可以区分不同办公室的签到记录统计时可以按设备过滤。这里提醒大家做考勤系统不要只想着人脸识别算法业务细节才是真正决定系统好不好用的关键。4. 实操从零搭建这套人脸识别签到系统4.1 环境准备与依赖安装我打包的zip里带了一个requirements.txt内容如下opencv-python4.8.0.74 opencv-contrib-python4.8.0.74 numpy1.24.3 Pillow10.0.0这里有个容易踩坑的地方cv2.face模块在opencv-python主包里是不包含的必须额外安装opencv-contrib-python。很多新手只安装了opencv-pythonimport cv2不报错但调用cv2.face.LBPHFaceRecognizer_create()时就会报AttributeError。所以requirements里两个包都要装。建议使用Python 3.8到3.10版本。我遇到过一些用户用Python 3.12安装opencv-python时出现No matching distribution的报错或者安装后import正常但运行时崩溃的问题这与OpenCV官方预编译包的兼容性有关。稳妥起见推荐Python 3.9。安装命令pip install -r requirements.txt如果你网络环境不好可以换用国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple装完之后运行一段测试代码确认OpenCV版本和face模块是否可用import cv2 print(cv2.__version__) print(cv2.face.LBPHFaceRecognizer_create())如果能正常输出版本号和一个LBPH识别器对象说明环境没有问题。4.2 采集人脸样本怎么拍出高质量的训练图片训练样本的质量直接决定识别效果。我写了一个采集脚本运行时打开摄像头检测到人脸后自动截图保存。核心代码如下import cv2 import os face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) emp_no input(请输入员工工号: ) save_dir fdataset/{emp_no} os.makedirs(save_dir, exist_okTrue) cap cv2.VideoCapture(0) count 0 while True: ret, frame cap.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: # 将检测框扩展20%保证额头和下巴都被包含 x max(0, x - int(0.1 * w)) y max(0, y - int(0.1 * h)) w int(1.2 * w) h int(1.2 * h) face_roi gray[y:yh, x:xw] face_roi cv2.resize(face_roi, (200, 200)) cv2.imwrite(f{save_dir}/{count:04d}.jpg, face_roi) count 1 cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(capture, frame) if cv2.waitKey(1) 0xFF ord(q) or count 30: break cap.release() cv2.destroyAllWindows()采集样本的时候有几个技巧让员工先正对摄像头拍摄5张然后抬头、低头、左右转脸各拍几张再取下眼镜或把刘海拨开拍几张。最好在两种以上不同光线条件下采集比如上午窗户边的光线和下午日光灯下的光线。拍照时摄像头与人脸的距离稳定在0.5到1米之间不要忽远忽近。每个员工采集20到30张即可太少了模型泛化不足太多了训练时间增长且容易过拟合。我一般会把采集到的图片打印成一张小网格图肉眼检查一遍剔除模糊的、有遮挡的、人脸占比过小的照片。这一步看似繁琐但能省去后面反复调优的时间。4.3 训练LBPH模型关键参数详解训练脚本的逻辑不复杂遍历dataset目录下每个员工的图片提取label读取图片并训练。代码大致如下import cv2 import os import numpy as np face_dir dataset labels [] faces [] for emp_name in os.listdir(face_dir): emp_path os.path.join(face_dir, emp_name) if not os.path.isdir(emp_path): continue label int(emp_name) for img_name in os.listdir(emp_path): img_path os.path.join(emp_path, img_name) img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (200, 200)) faces.append(img) labels.append(label) recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 ) recognizer.train(faces, np.array(labels)) recognizer.save(trainer.yml) print(f训练完成共 {len(faces)} 张样本)LBPH的构造参数默认是radius1, neighbors8, grid_x8, grid_y8。radius是计算局部二值模式时邻域的半径1表示取3×3邻域。增大radius可以提取更大范围的纹理特征但也会丢失细节。neighbors是每个像素比较的邻域点数默认8是常用的取值。grid_x和grid_y表示把图像分成多少个小网格。我实测下来grid_x8, grid_y8在200×200的图像上效果最好如果图像分辨率较低可以改为6×6。训练之前建议把样本图片做一次直方图均衡化可以用cv2.equalizeHist()能有效增强对比度减少光线影响。这也是我看到很多人在搜索OpenCV equalizeHist的掩膜用法其实在整个人脸样本集上做全局均衡化即可不需要使用掩膜。如果非要针对人脸区域做调制可以构建一个圆形掩膜将图像四角置黑但普通考勤场景没必要。训练完成后会生成trainer.yml文件这个文件包含了每个员工的LBPH模型参数和参考特征向量。后续启动识别系统时直接读取这个文件即可不需要重复训练。4.4 实时识别与签到主程序实时识别是整个系统的核心。它需要同时处理摄像头帧读取、人脸检测、人脸识别、数据库写入和界面显示所以我使用了一个后台线程专门处理摄像头帧避免界面卡顿。主程序的核心逻辑如下import cv2 import sqlite3 import datetime import threading class AttendanceSystem: def __init__(self): self.cap cv2.VideoCapture(0) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) self.face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) self.recognizer cv2.face.LBPHFaceRecognizer_create() self.recognizer.read(trainer.yml) self.conn sqlite3.connect(attendance.db, check_same_threadFalse) self.running True self.last_check {} # 防止短时间内重复识别 self._load_employee_info() def _load_employee_info(self): self.emp_info {} cursor self.conn.execute(SELECT emp_id, emp_no, name, department FROM employees) for row in cursor.fetchall(): self.emp_info[row[0]] {emp_no: row[1], name: row[2], department: row[3]} def recognize_and_checkin(self, face_roi, frame): label, confidence self.recognizer.predict(face_roi) now datetime.datetime.now() if confidence 80: emp self.emp_info.get(label) if emp is None: return 未知员工 today now.strftime(%Y-%m-%d) cur self.conn.execute( SELECT check_in FROM attendance WHERE emp_id? AND work_date?, (label, today) ) row cur.fetchone() if row is None: status 正常 if now.time() datetime.time(9, 0) else 迟到 photo_path fcaptures/{label}_{now.strftime(%Y%m%d%H%M%S)}.jpg cv2.imwrite(photo_path, frame) self.conn.execute( INSERT INTO attendance (emp_id, work_date, check_in, status, confidence, photo_path) VALUES (?,?,?,?,?,?), (label, today, now.strftime(%H:%M:%S), status, confidence, photo_path) ) self.conn.commit() return f{emp[name]} 签到成功状态{status} else: return f{emp[name]} 已签到签到时间为 {row[0]} else: return 未识别 def run(self): while self.running: ret, frame self.cap.read() if not ret: continue gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces self.face_cascade.detectMultiScale(gray, 1.1, 5, minSize(80, 80)) for (x, y, w, h) in faces: roi gray[y:yh, x:xw] roi cv2.resize(roi, (200, 200)) msg self.recognize_and_checkin(roi, frame) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.putText(frame, msg, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow(Attendance System, frame) if cv2.waitKey(1) 0xFF ord(q): break self.cap.release() cv2.destroyAllWindows()这段代码里有两个细节值得注意。一是self.last_check本来用于防止短时间内重复识别但我在后续版本里用了数据库查询来保证一天只签到一次所以last_check实际变成了冗余字段正式代码可以去掉。二是识别时传入的图像必须和训练时处理方式一致否则特征对不上。我训练时把彩色图转成了灰度图并缩放到200×200识别时也必须做同样的操作。实际运行中我建议把摄像头分辨率设置为640×480。分辨率太高会导致帧率下降人脸检测延迟增加分辨率太低则人脸细节不足识别准确率下降。640×480是一个性能和精度的平衡点。4.5 界面交互与考勤记录导出考虑到使用系统的可能是非程序员我打包版本里包含了用Tkinter实现的图形界面。界面左侧是摄像头实时画面右侧是今日考勤列表下方是签到状态信息。员工识别成功后右侧列表自动刷新。Tkinter的做法比较直接用一个Label组件显示OpenCV图像需要在OpenCV的BGR图像转成RGB后再转换为ImageTk.PhotoImage显示。实时刷新使用after方法定时更新def update_frame(self): ret, frame self.cap.read() if ret: # 处理识别逻辑 rgb cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img Image.fromarray(rgb) imgtk ImageTk.PhotoImage(imageimg) self.video_label.imgtk imgtk self.video_label.configure(imageimgtk) self.root.after(10, self.update_frame)这里有个经典坑必须把imgtk保存为组件的属性比如self.video_label.imgtk否则Python垃圾回收会把图片对象销毁界面会显示空白或报错。导出功能我用pandas把考勤表转成Excel或者CSV。如果不想引入pandas直接用csv模块逐行写入也可以。我建议至少提供CSV导出因为这个格式WPS和Excel都能直接打开对小型团队足够用。导出时可以选择日期范围比如“导出本月考勤”功能会生成一个包含员工工号、姓名、部门、日期、签到时间、签退时间、状态、备注的表格。5. 遇到的问题与排查技巧5.1 安装OpenCV时最典型的几个坑整理这个项目时我回看了很多网络搜索记录发现关于OpenCV安装的搜索量非常大。最常见的坑就是cv2.face模块找不到原因我在前面提过——只装了opencv-python而没有装opencv-contrib-python。解决办法是执行pip install opencv-contrib-python。第二个坑是conda环境和pip环境混用。有些用户电脑里装了Anaconda又用pip安装OpenCV安装完成后在Jupyter里能import但在命令行脚本里报ModuleNotFoundError。这是因为系统里存在多个Python解释器pip把包装到了其中一个环境。我建议统一使用conda环境或者纯Python环境并且用python -m pip install而不是直接pip install这样可以确保装到当前解释器对应的环境里。第三个坑是OpenCV版本不兼容。之前有用户使用了OpenCV 4.10.0.84版本结果发现cv2.face.LBPHFaceRecognizer_create()接口行为有变化我的代码里针对旧版本做的判断逻辑会失效。为了稳定我建议锁定使用我提供的版本不要盲目升级。尤其是opencv-contrib-python各种版本之间的兼容性问题在社区里出现过不少次。5.2 识别率上不去的真实原因如果按照我的步骤做识别率一般不会太差。但如果你发现识别率始终上不去大概率是以下几个原因。训练样本太少尤其是每个员工只有两三张照片LBPH算法几乎没有统计意义。给每位员工至少采集15张以上样本并且覆盖多种角度。训练图片和识别图片中人脸区域大小不一致。训练时我裁剪人脸后resize到200×200识别时也必须做同样操作。如果识别时直接使用检测框的原始区域而不resizeLBPH的纹理统计尺度就完全不同自然识别不准。光线变化太大。这是传统人脸识别算法的天然软肋。如果考勤机放在背光窗口旁边员工脸部出现大面积阴影识别置信度会明显下降。解决办法是增加补光或者在采集训练样本时就模拟不同光照条件。还有一种情况是数据库里员工信息和人脸标签对不上。我在写数据库时员工ID和训练文件夹名都是同一个自增ID但如果你手工改了文件夹名就会出现标签错位。所以每次新增员工时一定要按照固定流程操作先在数据库里插入员工记录拿到emp_id用emp_id作为文件夹名采集照片再训练模型。不要把顺序搞反。5.3 摄像头读取失败与多线程卡顿摄像头读取失败通常有两个原因。第一摄像头被其他程序占用比如微信视频通话没有完全退出。第二OpenCV的VideoCapture(0)中的0只是默认摄像头索引如果你的电脑有多个摄像头比如笔记本内置摄像头和外接USB摄像头需要尝试使用1或者2。我习惯在程序启动时做一次摄像头索引检测逐个尝试直到能成功读到帧为止。实时识别卡顿的问题多数是因为人脸检测计算量过大。我建议降低摄像头的分辨率到640×480同时把检测的minSize设为80×80这样可以过滤掉远处小目标带来的计算。如果还是卡可以将检测间隔调整为每2帧检测一次中间1帧直接跳过检测这样帧率能稳定在25fps以上。另外不要在主线程里做数据库写操作。虽然SQLite本身很快但磁盘写入依然是耗时操作。我在实际版本里会用一个队列来处理写入请求识别线程只负责把消息放进队列后台线程消费队列并写入数据库。这样即使磁盘偶尔慢一下也不会导致视频画面卡顿。5.4 数据安全与隐私提醒这个系统涉及人脸数据虽然是在本地运行但也要注意隐私保护。我在文档里专门提醒过几点训练样本文件夹不要随意拷贝到互联网环境数据库文件包含员工考勤信息应该设置访问权限摄像头画面不要通过远程桌面或者其他直播软件暴露在公网。使用场景一旦涉及多人人脸数据就应该在部署前获得员工知情同意并制定数据保留与删除规则。另外因为系统识别过程会保存抓拍照片这些照片可能会包含背景中的敏感信息。建议每周清理一次captures目录只保留必要的考勤确认照片。如果需要长期留存建议放到加密磁盘或者企业内网存储中。5.5 一个小扩展把系统升级成真正的门禁机如果你觉得每天需要专人打开电脑跑程序还是太麻烦可以把这个系统移植到树莓派或者迷你主机上配合触摸屏和一个普通USB摄像头就变成了一个简易人脸识别门禁机。树莓派4B的CPU跑Haar级联LBPH识别帧率大概在15fps左右对考勤场景完全够用。把开机脚本设置成自动启动主程序插电就能工作。网上那些市面上的人脸识别门禁机本质上也差不多只是封装得更精致。不过要说明的是真正的高端门禁机基本都使用深度学习方案活体检测、红外补光、人脸防伪都是传统方案很难做到的。我这里提供的系统更多是“能用、好用、便宜”不是“金融级安全”。如果对安全性要求高比如门禁控制、支付场景请务必使用带有活体检测的专业产品。我在实际使用中还有一个体会人脸识别考勤系统省掉的不是门禁卡而是月底统计时“人肉核对”的那几个小时。把这个zip里面的代码跑起来再花一点时间把数据导出、整理成自己的考勤报表你会发现传统签到方式的所有痛点——替签、漏签、统计困难——其实技术都能解决。关键在于选对方案不要让杀鸡用牛刀。如果你准备在自己的团队里落地这套系统建议先小范围试用一周根据识别准确率和员工使用习惯微调阈值和流程再全面推广那样踩坑的概率会小很多。本文还有配套的精品资源点击获取
简介本资源是一个基于Python与OpenCV开发的轻量级人脸识别签到考勤系统面向计算机视觉初学者、高校课程设计学生及中小型办公场景的技术实践者旨在解决传统人工考勤效率低、易代签、数据难统计等问题。压缩包共23个文件1.97MB包含3个核心Python脚本实现摄像头捕获、人脸检测与识别逻辑、CSV考勤记录写入、2个UI界面文件基于PyQt5构建可视化操作窗口、4个OpenCV预训练XML级联分类器用于实时人脸定位、5张PNG图标与Logo资源以及README.md等说明文档结构清晰、模块解耦便于理解整体流程与二次开发。目前已有6584人学习下载提供完整可运行工程含图形界面交互、时间戳自动记录、单日多次签到/签退状态管理、停留时长计算及Attendance.csv结构化存储开箱即用是掌握OpenCV人脸检测Python GUI考勤业务逻辑集成的典型入门级实战项目。1. 项目概述与设计思路1.1 从“签到考勤”这个需求说起去年有一个做小工厂的朋友找我说他们车间一直用纸质表格登记考勤月底统计费时费力还经常有人替签。他问我能不能搞一个简单的人脸识别签到系统不需要贵得离谱的门禁硬件就用普通电脑加USB摄像头员工往摄像头前一站自动识别身份、记录到岗时间。于是我做了这套基于Python和OpenCV的人脸识别签到考勤系统整个项目打包成了一个zip压缩包里面包含了完整的源码、说明文档和示例数据库。先给这套系统定个位它不是那种使用深度学习的百万级人脸识别方案而是基于OpenCV传统视觉库的轻量级实现目标是在小团队、小规模场景下用最低的成本解决“身份确认时间记录”的问题。它适合小型企业、初创团队、实验室、健身房等几十人规模的考勤场景也适合Python初学者用来学习人脸识别的完整链路。整套系统跑起来只需要一台带摄像头的电脑和Python环境不需要额外购买专用设备。1.2 为什么选择PythonOpenCV这套组合很多人一提到人脸识别就想到TensorFlow、PyTorch其实对于考勤签到这个需求传统计算机视觉方案完全够用。我选择PythonOpenCV主要基于三个理由。第一OpenCV内部集成了人脸检测与人脸识别模块不需要自己训练大型神经网络。它提供了Haar级联分类器用于人脸检测LBPH局部二值模式直方图算法用于人脸特征提取与匹配这两个算法的组合在室内光线稳定、人距摄像头1米左右的环境下识别准确率能达到90%以上。对于考勤场景来说这个准确率完全可用。第二Python生态让开发效率非常高。OpenCV本身是用C写的但提供了Python接口像cv2.face.LBPHFaceRecognizer_create()这个函数一行代码就能创建一个人脸识别器。配合Pillow、Tkinter、sqlite3这些标准库我可以在一个下午把核心逻辑跑通后续再逐步完善界面和异常处理。第三部署门槛低。Windows、Linux、macOS都能装opencv-python一个pip命令就完成不需要编译源码不需要配置GPU普通办公电脑的CPU就能流畅运行。这也是我敢把它做成zip包给别人用的原因——拿到压缩包装好依赖运行主程序就能直接使用。当然这套方案也有短板。一是它依赖传统特征提取对侧脸、遮挡、极端光照的鲁棒性不如深度学习方法二是LBPH模型本质上是一个局部纹理统计模型如果两个人长得特别像理论上可能混淆。所以我在系统设计里加入了“识别置信度阈值”和“人工确认”机制把识别结果低于阈值的记录标记为待人工审核避免误打卡。1.3 系统整体架构概览整套系统按照功能可以拆成五个模块人脸样本采集模块、模型训练模块、实时识别模块、考勤记录模块、界面交互模块。样本采集模块负责从摄像头捕获员工人脸图像并统一缩放到固定尺寸后存入训练样本目录。模型训练模块读取所有员工的样本图片调用LBPH算法训练出一个人脸特征模型文件。实时识别模块启动摄像头对视频流中的每一帧做人脸检测把检测到的人脸区域交给LBPH模型预测身份同时返回置信度。考勤记录模块根据识别结果查询数据库写入签到时间并判断是否迟到。界面交互模块用Tkinter实现一个简单的可视化窗口显示摄像头画面、当前识别到的员工姓名、签到状态和今日考勤列表。数据存储我用的是SQLite这是Python自带的轻量级数据库不需要安装服务。员工表存储工号、姓名、照片路径考勤表存储日期、工号、签到时间、状态、备注。SQLite对几十人规模的考勤记录完全够用而且整个数据库就是一个文件方便备份和迁移。这个架构有一个很明显的优点各模块之间通过文件、数据库和接口解耦。如果之后想升级识别引擎只需替换训练模块和识别模块其他模块不受影响如果想增加请假、外勤功能只需扩展数据库字段和界面逻辑不需要动核心识别部分。2. 核心技术拆解OpenCV人脸识别到底是怎么工作的2.1 人脸检测用Haar级联还是DNN检测器很多初学者会把“人脸检测”和“人脸识别”混为一谈。这里先说清楚人脸检测是在图像里找出“哪里有人脸”输出的是人脸所在的矩形框人脸识别是判断“这张脸是谁”输出的是身份标签。检测是识别的前提。OpenCV里最经典的人脸检测方法是Haar级联分类器它是2001年Viola和Jones提出的原理是使用Haar-like特征类似黑白矩形组合的特征模板结合AdaBoost训练出一系列弱分类器再级联成强分类器。OpenCV自带了训练好的frontalface_default.xml文件可以直接拿来用。我在这个项目里用的是haarcascade_frontalface_default.xml调用方式如下import cv2 face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(80, 80) )这里有几个参数需要解释。scaleFactor表示每次缩放图像的比例1.1表示每次将图像缩小10%。值越小检测精度越高但计算量也越大1.1到1.2是比较常用的折中。minNeighbors表示每个候选矩形周围至少需要多少个有效检测框才能认定为一个人脸。增大这个值可以减少误检但可能漏掉一些遮挡较多的脸。minSize设置最小检测尺寸太小的检测框往往是噪声直接过滤掉能明显提升稳定性和性能。后来我还尝试过用OpenCV的DNN人脸检测器它基于SSDSingle Shot MultiBox Detector框架和ResNet骨干网络检测精度比Haar高不少尤其对侧脸和暗光环境更友好。但DNN模型需要另外下载权重文件模型体积有十几MB而且对CPU的占用比Haar高。在考勤这个场景下员工一般是正脸看向摄像头Haar级联已经足够了。所以最终版本仍然保留了Haar作为默认方案但在代码里留了一个开关如果摄像头前光线较差可以切换DNN检测器。2.2 人脸特征提取与匹配LBPH算法的直觉理解LBPH全称是Local Binary Pattern Histogram也就是局部二值模式直方图。它不是为了深度学习而设计的而是一种经典的纹理描述子用于提取图像中的局部纹理特征。LBPH的思路大致分三步。第一步把图像转成灰度图。第二步对每个像素取它周围3×3邻域里的8个像素分别与当前像素的灰度值比较。周围像素比当前像素亮就记为1暗就记为0这样得到一个8位二进制数再转换成十进制这个值就代表了该像素的局部纹理模式。第三步把整张图像划分成若干个小格子比如8×8的网格统计每个格子内不同LBP值的出现次数形成直方图。把所有格子的直方图拼接起来就得到整张人脸的LBPH特征向量。训练时系统提取每位员工若干张人脸图片的LBPH特征存储为参考特征向量。识别时提取当前人脸的特征计算它与所有参考特征之间的距离OpenCV用的是相似度评分分数越低表示越相似取最小距离对应的员工ID作为识别结果。使用LBPH有几点需要注意。一是输入的训练图片必须是灰度图且尺寸统一我在采集样本时统一缩放为200×200像素。二是训练样本每个员工至少要有10张以上图片而且最好覆盖不同的角度、表情和光线条件否则模型对变化的泛化能力很差。三是LBPH对图像对齐比较敏感如果摄像头里人脸位置偏上偏下、旋转角度过大识别效果就会下降。所以我的采集程序会在检测到人脸后把检测框稍微向外扩一点并居中裁剪这样训练和识别时人脸区域的特征分布更一致。2.3 识别置信度与阈值判断如何避免误打卡OpenCV的LBPH识别器在执行predict方法时会返回两个值标签label和置信度confidence。注意这个置信度其实是欧氏距离或相似度距离数值越小表示与训练样本越接近。recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer.yml) label, confidence recognizer.predict(face_roi)实际运行中同一个员工在不同光线和角度下置信度通常在50到90之间。如果摄像头正对、光线均匀置信度可能只有50多如果光线偏暗或者人脸稍微侧一点置信度可能飙升到120甚至更高。如果把所有识别结果都视为有效就很可能发生“张冠李戴”或者“陌生人成功打卡”的问题。我的做法是设置三档阈值置信度低于60认定为可信直接完成签到60到80之间属于低置信度识别界面会弹出一个确认框由前台人员人工确认高于80认定为陌生人不给签到只保存一张抓拍图片供事后核对。这个阈值不是死规矩实际使用时应该根据现场测试结果调整。我最初设的是70结果有些人经常识别不到后来调整到80误识别率依然很低但签到通过率明显上升。还有一个容易被忽略的问题是陌生人的处理。如果有访客或者未录入的人员出现在摄像头前LBPH模型也会给出一个置信度和一个最近的标签如果只看置信度不够严谨。所以在我的代码里当置信度大于阈值时即使模型返回了某个员工ID也会强制标记为“未识别”不会写入考勤记录。这一点非常重要否则任何陌生人都会被当成距离最近的那个员工来签到。3. 考勤系统的数据设计与业务逻辑3.1 考勤记录需要哪些字段人脸识别只是解决了“是谁”的问题真正要落地的考勤还需要一套业务规则。我刚开始做的时候只简单记录了一个timestamp后来发现考勤统计时根本不够用于是重新设计了数据表。员工表至少需要员工ID主键、姓名、工号、部门、入职日期、照片路径。考勤表至少需要考勤ID自增主键、员工ID、日期、签到时间、签退时间、状态、识别置信度、抓拍照片路径、备注。看起来字段很多但每个字段都有实际价值。比如识别置信度字段可以用于后续核验有没有误识别抓拍照片路径可以在员工提出“我明明来上班了为什么没记录”时直接把当时摄像头拍下的照片调出来减少扯皮。日期字段必须单独存方便按天、按月统计分析。签退时间可以为空表示员工还没有签退下班时再次识别则会更新这一字段。3.2 数据库表结构设计我的SQLite建表语句如下CREATE TABLE IF NOT EXISTS employees ( emp_id INTEGER PRIMARY KEY AUTOINCREMENT, emp_no TEXT UNIQUE NOT NULL, name TEXT NOT NULL, department TEXT, photo_path TEXT, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE IF NOT EXISTS attendance ( id INTEGER PRIMARY KEY AUTOINCREMENT, emp_id INTEGER, work_date TEXT NOT NULL, check_in TEXT, check_out TEXT, status TEXT, confidence REAL, photo_path TEXT, remark TEXT, FOREIGN KEY (emp_id) REFERENCES employees(emp_id) );这里有几个设计细节值得说明。work_date我用文本格式YYYY-MM-DD存储方便直接按日期查询。check_in和check_out也使用文本格式HH:MM:SS这样查询迟到时可以直接用字符串比较虽然效率不是最优但这个量级的数据完全没问题。status字段用来存放“正常”、“迟到”、“早退”、“异常”等状态这个状态是在写入时人工判断生成的。之所以emp_no要加UNIQUE约束是因为员工工号是业务上的唯一标识不能重复。而emp_id作为自增主键对外完全透明内部关联都用emp_id完成即使工号调整了也不会影响历史考勤记录的关联。3.3 防重复签到与迟到判断逻辑考勤系统最常见的坑就是重复签到。员工在摄像头前多停留几秒程序可能在一秒内识别到多次导致同一天产生多条签到记录。我在写入数据库前增加了一步判断先查询当天的考勤记录如果已存在该员工当天记录则不再插入新记录而是弹出“您已完成签到”的提示。迟到判断的逻辑也不能太死。我先把“上班时间”配置为早上9:00。如果在9:00之前识别状态是“正常”9:00到9:30之间识别状态是“迟到”9:30之后识别状态是“迟到系统只记录时间是否需要补卡由管理员处理”。对于经常外出的岗位比如销售、仓库管理人员系统还支持管理员手动在后台把某条迟到记录改为“外勤正常”同时备注原因。签退逻辑类似如果当天还没有签退记录识别时更新check_out字段并计算当天工作时长。如果员工下班前忘记签退管理员可以手动补录签退时间但必须在备注中写明原因方便月底审计。实际开发中我还遇到一个需求同一台电脑可能用于两台考勤机的场景。我的解决办法是在数据库里增加了一个device_id字段目前文档版没有体现正式版里我加了。这个字段可以区分不同办公室的签到记录统计时可以按设备过滤。这里提醒大家做考勤系统不要只想着人脸识别算法业务细节才是真正决定系统好不好用的关键。4. 实操从零搭建这套人脸识别签到系统4.1 环境准备与依赖安装我打包的zip里带了一个requirements.txt内容如下opencv-python4.8.0.74 opencv-contrib-python4.8.0.74 numpy1.24.3 Pillow10.0.0这里有个容易踩坑的地方cv2.face模块在opencv-python主包里是不包含的必须额外安装opencv-contrib-python。很多新手只安装了opencv-pythonimport cv2不报错但调用cv2.face.LBPHFaceRecognizer_create()时就会报AttributeError。所以requirements里两个包都要装。建议使用Python 3.8到3.10版本。我遇到过一些用户用Python 3.12安装opencv-python时出现No matching distribution的报错或者安装后import正常但运行时崩溃的问题这与OpenCV官方预编译包的兼容性有关。稳妥起见推荐Python 3.9。安装命令pip install -r requirements.txt如果你网络环境不好可以换用国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple装完之后运行一段测试代码确认OpenCV版本和face模块是否可用import cv2 print(cv2.__version__) print(cv2.face.LBPHFaceRecognizer_create())如果能正常输出版本号和一个LBPH识别器对象说明环境没有问题。4.2 采集人脸样本怎么拍出高质量的训练图片训练样本的质量直接决定识别效果。我写了一个采集脚本运行时打开摄像头检测到人脸后自动截图保存。核心代码如下import cv2 import os face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) emp_no input(请输入员工工号: ) save_dir fdataset/{emp_no} os.makedirs(save_dir, exist_okTrue) cap cv2.VideoCapture(0) count 0 while True: ret, frame cap.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: # 将检测框扩展20%保证额头和下巴都被包含 x max(0, x - int(0.1 * w)) y max(0, y - int(0.1 * h)) w int(1.2 * w) h int(1.2 * h) face_roi gray[y:yh, x:xw] face_roi cv2.resize(face_roi, (200, 200)) cv2.imwrite(f{save_dir}/{count:04d}.jpg, face_roi) count 1 cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(capture, frame) if cv2.waitKey(1) 0xFF ord(q) or count 30: break cap.release() cv2.destroyAllWindows()采集样本的时候有几个技巧让员工先正对摄像头拍摄5张然后抬头、低头、左右转脸各拍几张再取下眼镜或把刘海拨开拍几张。最好在两种以上不同光线条件下采集比如上午窗户边的光线和下午日光灯下的光线。拍照时摄像头与人脸的距离稳定在0.5到1米之间不要忽远忽近。每个员工采集20到30张即可太少了模型泛化不足太多了训练时间增长且容易过拟合。我一般会把采集到的图片打印成一张小网格图肉眼检查一遍剔除模糊的、有遮挡的、人脸占比过小的照片。这一步看似繁琐但能省去后面反复调优的时间。4.3 训练LBPH模型关键参数详解训练脚本的逻辑不复杂遍历dataset目录下每个员工的图片提取label读取图片并训练。代码大致如下import cv2 import os import numpy as np face_dir dataset labels [] faces [] for emp_name in os.listdir(face_dir): emp_path os.path.join(face_dir, emp_name) if not os.path.isdir(emp_path): continue label int(emp_name) for img_name in os.listdir(emp_path): img_path os.path.join(emp_path, img_name) img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (200, 200)) faces.append(img) labels.append(label) recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 ) recognizer.train(faces, np.array(labels)) recognizer.save(trainer.yml) print(f训练完成共 {len(faces)} 张样本)LBPH的构造参数默认是radius1, neighbors8, grid_x8, grid_y8。radius是计算局部二值模式时邻域的半径1表示取3×3邻域。增大radius可以提取更大范围的纹理特征但也会丢失细节。neighbors是每个像素比较的邻域点数默认8是常用的取值。grid_x和grid_y表示把图像分成多少个小网格。我实测下来grid_x8, grid_y8在200×200的图像上效果最好如果图像分辨率较低可以改为6×6。训练之前建议把样本图片做一次直方图均衡化可以用cv2.equalizeHist()能有效增强对比度减少光线影响。这也是我看到很多人在搜索OpenCV equalizeHist的掩膜用法其实在整个人脸样本集上做全局均衡化即可不需要使用掩膜。如果非要针对人脸区域做调制可以构建一个圆形掩膜将图像四角置黑但普通考勤场景没必要。训练完成后会生成trainer.yml文件这个文件包含了每个员工的LBPH模型参数和参考特征向量。后续启动识别系统时直接读取这个文件即可不需要重复训练。4.4 实时识别与签到主程序实时识别是整个系统的核心。它需要同时处理摄像头帧读取、人脸检测、人脸识别、数据库写入和界面显示所以我使用了一个后台线程专门处理摄像头帧避免界面卡顿。主程序的核心逻辑如下import cv2 import sqlite3 import datetime import threading class AttendanceSystem: def __init__(self): self.cap cv2.VideoCapture(0) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) self.face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) self.recognizer cv2.face.LBPHFaceRecognizer_create() self.recognizer.read(trainer.yml) self.conn sqlite3.connect(attendance.db, check_same_threadFalse) self.running True self.last_check {} # 防止短时间内重复识别 self._load_employee_info() def _load_employee_info(self): self.emp_info {} cursor self.conn.execute(SELECT emp_id, emp_no, name, department FROM employees) for row in cursor.fetchall(): self.emp_info[row[0]] {emp_no: row[1], name: row[2], department: row[3]} def recognize_and_checkin(self, face_roi, frame): label, confidence self.recognizer.predict(face_roi) now datetime.datetime.now() if confidence 80: emp self.emp_info.get(label) if emp is None: return 未知员工 today now.strftime(%Y-%m-%d) cur self.conn.execute( SELECT check_in FROM attendance WHERE emp_id? AND work_date?, (label, today) ) row cur.fetchone() if row is None: status 正常 if now.time() datetime.time(9, 0) else 迟到 photo_path fcaptures/{label}_{now.strftime(%Y%m%d%H%M%S)}.jpg cv2.imwrite(photo_path, frame) self.conn.execute( INSERT INTO attendance (emp_id, work_date, check_in, status, confidence, photo_path) VALUES (?,?,?,?,?,?), (label, today, now.strftime(%H:%M:%S), status, confidence, photo_path) ) self.conn.commit() return f{emp[name]} 签到成功状态{status} else: return f{emp[name]} 已签到签到时间为 {row[0]} else: return 未识别 def run(self): while self.running: ret, frame self.cap.read() if not ret: continue gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces self.face_cascade.detectMultiScale(gray, 1.1, 5, minSize(80, 80)) for (x, y, w, h) in faces: roi gray[y:yh, x:xw] roi cv2.resize(roi, (200, 200)) msg self.recognize_and_checkin(roi, frame) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.putText(frame, msg, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow(Attendance System, frame) if cv2.waitKey(1) 0xFF ord(q): break self.cap.release() cv2.destroyAllWindows()这段代码里有两个细节值得注意。一是self.last_check本来用于防止短时间内重复识别但我在后续版本里用了数据库查询来保证一天只签到一次所以last_check实际变成了冗余字段正式代码可以去掉。二是识别时传入的图像必须和训练时处理方式一致否则特征对不上。我训练时把彩色图转成了灰度图并缩放到200×200识别时也必须做同样的操作。实际运行中我建议把摄像头分辨率设置为640×480。分辨率太高会导致帧率下降人脸检测延迟增加分辨率太低则人脸细节不足识别准确率下降。640×480是一个性能和精度的平衡点。4.5 界面交互与考勤记录导出考虑到使用系统的可能是非程序员我打包版本里包含了用Tkinter实现的图形界面。界面左侧是摄像头实时画面右侧是今日考勤列表下方是签到状态信息。员工识别成功后右侧列表自动刷新。Tkinter的做法比较直接用一个Label组件显示OpenCV图像需要在OpenCV的BGR图像转成RGB后再转换为ImageTk.PhotoImage显示。实时刷新使用after方法定时更新def update_frame(self): ret, frame self.cap.read() if ret: # 处理识别逻辑 rgb cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img Image.fromarray(rgb) imgtk ImageTk.PhotoImage(imageimg) self.video_label.imgtk imgtk self.video_label.configure(imageimgtk) self.root.after(10, self.update_frame)这里有个经典坑必须把imgtk保存为组件的属性比如self.video_label.imgtk否则Python垃圾回收会把图片对象销毁界面会显示空白或报错。导出功能我用pandas把考勤表转成Excel或者CSV。如果不想引入pandas直接用csv模块逐行写入也可以。我建议至少提供CSV导出因为这个格式WPS和Excel都能直接打开对小型团队足够用。导出时可以选择日期范围比如“导出本月考勤”功能会生成一个包含员工工号、姓名、部门、日期、签到时间、签退时间、状态、备注的表格。5. 遇到的问题与排查技巧5.1 安装OpenCV时最典型的几个坑整理这个项目时我回看了很多网络搜索记录发现关于OpenCV安装的搜索量非常大。最常见的坑就是cv2.face模块找不到原因我在前面提过——只装了opencv-python而没有装opencv-contrib-python。解决办法是执行pip install opencv-contrib-python。第二个坑是conda环境和pip环境混用。有些用户电脑里装了Anaconda又用pip安装OpenCV安装完成后在Jupyter里能import但在命令行脚本里报ModuleNotFoundError。这是因为系统里存在多个Python解释器pip把包装到了其中一个环境。我建议统一使用conda环境或者纯Python环境并且用python -m pip install而不是直接pip install这样可以确保装到当前解释器对应的环境里。第三个坑是OpenCV版本不兼容。之前有用户使用了OpenCV 4.10.0.84版本结果发现cv2.face.LBPHFaceRecognizer_create()接口行为有变化我的代码里针对旧版本做的判断逻辑会失效。为了稳定我建议锁定使用我提供的版本不要盲目升级。尤其是opencv-contrib-python各种版本之间的兼容性问题在社区里出现过不少次。5.2 识别率上不去的真实原因如果按照我的步骤做识别率一般不会太差。但如果你发现识别率始终上不去大概率是以下几个原因。训练样本太少尤其是每个员工只有两三张照片LBPH算法几乎没有统计意义。给每位员工至少采集15张以上样本并且覆盖多种角度。训练图片和识别图片中人脸区域大小不一致。训练时我裁剪人脸后resize到200×200识别时也必须做同样操作。如果识别时直接使用检测框的原始区域而不resizeLBPH的纹理统计尺度就完全不同自然识别不准。光线变化太大。这是传统人脸识别算法的天然软肋。如果考勤机放在背光窗口旁边员工脸部出现大面积阴影识别置信度会明显下降。解决办法是增加补光或者在采集训练样本时就模拟不同光照条件。还有一种情况是数据库里员工信息和人脸标签对不上。我在写数据库时员工ID和训练文件夹名都是同一个自增ID但如果你手工改了文件夹名就会出现标签错位。所以每次新增员工时一定要按照固定流程操作先在数据库里插入员工记录拿到emp_id用emp_id作为文件夹名采集照片再训练模型。不要把顺序搞反。5.3 摄像头读取失败与多线程卡顿摄像头读取失败通常有两个原因。第一摄像头被其他程序占用比如微信视频通话没有完全退出。第二OpenCV的VideoCapture(0)中的0只是默认摄像头索引如果你的电脑有多个摄像头比如笔记本内置摄像头和外接USB摄像头需要尝试使用1或者2。我习惯在程序启动时做一次摄像头索引检测逐个尝试直到能成功读到帧为止。实时识别卡顿的问题多数是因为人脸检测计算量过大。我建议降低摄像头的分辨率到640×480同时把检测的minSize设为80×80这样可以过滤掉远处小目标带来的计算。如果还是卡可以将检测间隔调整为每2帧检测一次中间1帧直接跳过检测这样帧率能稳定在25fps以上。另外不要在主线程里做数据库写操作。虽然SQLite本身很快但磁盘写入依然是耗时操作。我在实际版本里会用一个队列来处理写入请求识别线程只负责把消息放进队列后台线程消费队列并写入数据库。这样即使磁盘偶尔慢一下也不会导致视频画面卡顿。5.4 数据安全与隐私提醒这个系统涉及人脸数据虽然是在本地运行但也要注意隐私保护。我在文档里专门提醒过几点训练样本文件夹不要随意拷贝到互联网环境数据库文件包含员工考勤信息应该设置访问权限摄像头画面不要通过远程桌面或者其他直播软件暴露在公网。使用场景一旦涉及多人人脸数据就应该在部署前获得员工知情同意并制定数据保留与删除规则。另外因为系统识别过程会保存抓拍照片这些照片可能会包含背景中的敏感信息。建议每周清理一次captures目录只保留必要的考勤确认照片。如果需要长期留存建议放到加密磁盘或者企业内网存储中。5.5 一个小扩展把系统升级成真正的门禁机如果你觉得每天需要专人打开电脑跑程序还是太麻烦可以把这个系统移植到树莓派或者迷你主机上配合触摸屏和一个普通USB摄像头就变成了一个简易人脸识别门禁机。树莓派4B的CPU跑Haar级联LBPH识别帧率大概在15fps左右对考勤场景完全够用。把开机脚本设置成自动启动主程序插电就能工作。网上那些市面上的人脸识别门禁机本质上也差不多只是封装得更精致。不过要说明的是真正的高端门禁机基本都使用深度学习方案活体检测、红外补光、人脸防伪都是传统方案很难做到的。我这里提供的系统更多是“能用、好用、便宜”不是“金融级安全”。如果对安全性要求高比如门禁控制、支付场景请务必使用带有活体检测的专业产品。我在实际使用中还有一个体会人脸识别考勤系统省掉的不是门禁卡而是月底统计时“人肉核对”的那几个小时。把这个zip里面的代码跑起来再花一点时间把数据导出、整理成自己的考勤报表你会发现传统签到方式的所有痛点——替签、漏签、统计困难——其实技术都能解决。关键在于选对方案不要让杀鸡用牛刀。如果你准备在自己的团队里落地这套系统建议先小范围试用一周根据识别准确率和员工使用习惯微调阈值和流程再全面推广那样踩坑的概率会小很多。本文还有配套的精品资源点击获取
