简介这份毕业设计资源面向计算机相关专业学生与深度学习入门者围绕人脸识别签到系统展开提供一套可运行的完整项目源码帮助解决从算法调用到Web端落地、数据库建模与后台管理的全流程实现问题。压缩包共27个文件约101.47MB以Python脚本与HTML模板为主辅以SQLite数据库、Alembic迁移配置、CSS样式、字体文件及说明文档覆盖人脸注册、识别签到、用户增删改查等核心模块目录结构清晰便于按功能定位代码。资源中已内置初始管理员账户与数据库初始化脚本读者可据此快速还原运行环境理解Flask后端与深度学习模型如何协同工作。目前已有404人学习下载适合作为毕业设计参考、课程项目模板或深度学习应用练手素材也能为后续功能扩展与二次开发提供基础框架。1. 从一张“认错人”的签到截图说起这套深度学习人脸识别系统到底能干什么去年帮学弟调毕业设计他发来一张签到后台截图同一个人站在摄像头前系统先识别成张三两秒后又跳成李四签到记录里同一个人刷出三条不同学号。这不是玄学是典型的人脸识别签到系统在“检测—对齐—特征—比对”链路上某一环没调好。这套「基于深度学习的人脸识别签到系统」本质是把摄像头采集的人脸图像经过检测、对齐、特征提取后与已注册的人脸库做比对命中则写入签到记录。它解决的是传统签到纸质、刷卡、扫码代签、效率低、无法追溯的问题适合计算机、软件工程、电子信息类毕业设计选题也适合想跑通一个完整深度学习落地项目的同学。整套系统通常包含人脸注册、实时识别签到、签到记录管理三块技术栈以 Python OpenCV 深度学习框架为主是能写进论文、也能当场演示的那类项目。2. 系统技术选型为什么是 MTCNN FaceNet 而不是直接上分类网络2.1 人脸识别签到和普通图像分类的本质区别很多人第一反应是“用 CNN 训个分类器几班人分几类”。这条路在毕业设计里几乎必翻车。分类网络要求类别固定、每类样本充足而签到系统的人脸库是动态的——今天注册 30 人明天可能加 5 人每人类别只有 13 张底图。分类模型每加一个人就得重新训练这在演示现场是灾难。人脸识别签到真正要的是“度量学习”把每张人脸映射成一个特征向量让同一个人不同照片的向量距离近不同人的距离远。这样新增人员只需注册底图、提取特征入库不用动模型。这就是 FaceNet 这类模型的核心价值也是选型时第一个要讲清楚的理由。常见做法是两段式流水线先用 MTCNN 或 RetinaFace 做人脸检测和对齐裁出标准人脸再用 FaceNet或 ArcFace、MobileFaceNet提取 128/512 维特征最后用余弦相似度或欧氏距离比对。这套组合在毕业设计里资料多、预训练权重好找、CPU 也能跑性价比最高。2.2 环境搭建与依赖安装先把环境跑通再谈算法。我一般用 conda 建独立环境避免和系统 Python 打架。深度学习环境配置是这类项目第一道坎版本对不上后面全是血泪。# 创建独立环境python 版本建议 3.8~3.10太新很多包没轮子 conda create -n face_sign python3.9 -y conda activate face_sign # 核心依赖opencv 负责采集与图像处理numpy 做向量运算 pip install opencv-python4.8.1.78 pip install numpy1.24.3 pip install scikit-learn1.3.0 # 深度学习框架二选一CPU 演示选 onnxruntime 最省事 pip install onnxruntime1.16.3 # 若用 PyTorch 版 FaceNet pip install torch2.0.1 torchvision0.15.2参数说明opencv-python版本不要盲目追新4.8 系列和多数人脸库兼容性好onnxruntime用于加载导出的 ONNX 模型CPU 推理速度足够签到场景单帧 100300ms。如果显卡可用把onnxruntime换成onnxruntime-gpu并装对应 CUDA 版本帧率能翻几倍。提示装完先跑python -c import cv2, numpy; print(cv2.__version__)验证别等写完代码才发现 import 失败。2.3 人脸检测与对齐MTCNN 的三个阶段MTCNN 分 P-Net、R-Net、O-Net 三级网络逐级过滤候选框并回归关键点。它的输出不只是人脸框还有 5 个关键点双眼、鼻尖、双嘴角这 5 个点正是对齐的依据。对齐的意义在于把歪头、侧脸统一旋转缩放到标准姿态让后续特征提取稳定。不做对齐同一个人稍微偏头特征距离就会飙高识别直接失败。import cv2 import numpy as np from mtcnn import MTCNN # pip install mtcnn detector MTCNN() def detect_and_align(img_bgr, target_size(160, 160)): 检测人脸并对齐到标准尺寸返回对齐后的人脸图 img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) results detector.detect_faces(img_rgb) if not results: return None # 取置信度最高的一张脸 r max(results, keylambda x: x[confidence]) x, y, w, h r[box] # box 可能越界做裁剪保护 x, y max(0, x), max(0, y) face img_bgr[y:yh, x:xw] if face.size 0: return None # 关键点对齐以双眼连线为水平基准做仿射变换 kps r[keypoints] left_eye, right_eye np.array(kps[left_eye]), np.array(kps[right_eye]) angle np.degrees(np.arctan2(right_eye[1]-left_eye[1], right_eye[0]-left_eye[0])) M cv2.getRotationMatrix2D(tuple((left_eyeright_eye)/2), angle, 1.0) aligned cv2.warpAffine(img_bgr, M, (img_bgr.shape[1], img_bgr.shape[0])) face aligned[y:yh, x:xw] return cv2.resize(face, target_size)逻辑说明detect_faces返回框和关键点取confidence最高的脸避免误检干扰用双眼连线角度算旋转矩阵把脸摆正最后统一缩放到 160×160这是 FaceNet 的标准输入。参数target_size必须和后面特征模型输入一致不一致会直接报维度错误。2.4 特征提取与比对FaceNet 的 128 维向量怎么用FaceNet 把对齐后的人脸映射成 128 维向量也有 512 维版本训练目标是让同类距离小于异类距离。使用时不需要它的分类头只要那个 embedding 输出。比对用余弦相似度值越接近 1 越像一般阈值取 0.60.75具体要按你的数据实测调。import numpy as np def cosine_similarity(a, b): 余弦相似度返回 -1~1越接近 1 越相似 a, b a.flatten(), b.flatten() return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))) def match_face(query_feat, face_db, threshold0.65): 在已注册人脸库中找最相似的人 face_db: {学号: 特征向量} 返回 (学号, 相似度) 或 (None, 最高相似度) best_id, best_score None, -1.0 for sid, feat in face_db.items(): score cosine_similarity(query_feat, feat) if score best_score: best_id, best_score sid, score if best_score threshold: return best_id, best_score return None, best_score参数说明threshold是识别通过的门槛调高更严漏识增多调低更松误识增多。毕业设计演示建议 0.65 起步用真实数据画一次相似度分布再定。face_db用字典存学号到特征注册时一人可存多张底图的平均特征能明显提升稳定性。3. 从注册到签到把整条链路跑起来的实操步骤3.1 人脸注册模块底图质量决定上限注册就是采集底图、检测对齐、提特征、入库。这一步偷懒后面识别全是坑。我一般要求每人采 35 张覆盖正脸、轻微左右偏、戴不戴眼镜两种状态。底图分辨率不低于 640×480光照均匀别背光。import os import pickle def register_face(student_id, img_paths, extract_fn, save_pathface_db.pkl): 注册多张底图取平均特征降低单张噪声 feats [] for p in img_paths: img cv2.imread(p) if img is None: print(f[跳过] 读不到图: {p}) continue face detect_and_align(img) if face is None: print(f[跳过] 未检测到人脸: {p}) continue feats.append(extract_fn(face)) # extract_fn 为特征模型推理 if not feats: print(f[失败] {student_id} 无有效底图) return avg_feat np.mean(feats, axis0) # 加载已有库追加或覆盖 db {} if os.path.exists(save_path): with open(save_path, rb) as f: db pickle.load(f) db[student_id] avg_feat with open(save_path, wb) as f: pickle.dump(db, f) print(f[成功] {student_id} 注册完成有效底图 {len(feats)} 张)逻辑说明多张底图特征取平均能抵消单张的姿态和光照噪声pickle存字典方便演示正式点可换 SQLite 或 MySQL。参数上底图少于 2 张时平均意义不大建议至少 3 张。3.2 实时签到主循环摄像头采集与去重签到主循环要解决两件事一是持续读帧识别二是防止同一个人连续多帧重复签到。常见做法是加一个“冷却时间”同一学号在 N 秒内只记一次。import time def run_signin(extract_fn, face_db, threshold0.65, cooldown5): 实时签到主循环 cap cv2.VideoCapture(0) # 0 为默认摄像头 if not cap.isOpened(): print(摄像头打开失败检查设备号或被占用) return last_sign {} # 学号 - 上次签到时间戳 while True: ok, frame cap.read() if not ok: break face detect_and_align(frame) if face is not None: feat extract_fn(face) sid, score match_face(feat, face_db, threshold) now time.time() if sid and now - last_sign.get(sid, 0) cooldown: last_sign[sid] now print(f签到成功: {sid}, 相似度 {score:.3f}) # 此处写数据库或文件 elif sid: pass # 冷却期内忽略 else: print(f未识别, 最高相似度 {score:.3f}) cv2.imshow(signin, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()参数说明cooldown单位秒太小会重复签到太大会漏掉快速连续签到5 秒是演示常用值。cv2.waitKey(1)里的 1 是毫秒别写 0否则画面卡死。摄像头打不开时优先查设备号换VideoCapture(1)和是否被其他程序占用。3.3 签到记录落库SQLite 够用且免配置毕业设计演示用 SQLite 最省心单文件、免安装。表结构建议包含学号、姓名、签到时间、相似度方便论文里做数据分析。import sqlite3 def init_db(db_pathsignin.db): conn sqlite3.connect(db_path) conn.execute(CREATE TABLE IF NOT EXISTS records ( id INTEGER PRIMARY KEY AUTOINCREMENT, student_id TEXT NOT NULL, name TEXT, sign_time TEXT NOT NULL, similarity REAL )) conn.commit() return conn def add_record(conn, student_id, name, similarity): from datetime import datetime conn.execute(INSERT INTO records (student_id, name, sign_time, similarity) VALUES (?,?,?,?), (student_id, name, datetime.now().strftime(%Y-%m-%d %H:%M:%S), similarity)) conn.commit()逻辑说明AUTOINCREMENT保证记录唯一递增时间用字符串存便于直接展示和排序。相似度字段别省论文里画阈值-准确率曲线就靠它。查询时按student_id 日期去重即可统计出勤。4. 避坑与排查五个让演示当场翻车的真实问题4.1 现象同一个人识别成别人相似度还很高原因底图质量差或只有一张特征不具代表性或者阈值设太低。解决每人补到 3 张以上底图取平均把阈值从 0.6 提到 0.7 实测同时检查是否把未注册的人硬匹配成了库里最近的人——match_face里低于阈值必须返回 None不能强行给结果。4.2 现象摄像头画面卡顿识别延迟好几秒原因每帧都跑完整 MTCNN 特征提取CPU 扛不住。解决加帧间隔比如每 3 帧检测一次或先把 MTCNN 换成更轻的检测器做人脸框初筛再对框内做对齐。演示机没独显时把输入分辨率从 1080p 降到 640×480帧率立刻上来。4.3 现象换台电脑就报模型加载失败或维度不匹配原因模型文件路径写死、输入尺寸和训练时不一致。解决路径用相对路径或配置文件管理把target_size、特征维度写成常量集中定义别散落在各处。ONNX 模型要确认输入名和 shape用onnxruntime的get_inputs()打印核对。4.4 现象注册时提示未检测到人脸但肉眼明明有脸原因光照过暗、侧脸角度过大或 MTCNN 置信度阈值默认偏高。解决注册环境补光要求正脸调低检测置信度阈值如 0.9 降到 0.85并打印每张图的检测结果定位问题。别用美颜过度的照片特征会被扭曲。4.5 现象签到记录重复写入同一个人原因冷却逻辑没生效或每帧都新建了last_sign字典。解决last_sign必须在循环外初始化确认cooldown判断用的是同一份字典。另外多线程写 SQLite 会锁库演示用单线程即可别过早引入并发。5. 把准确率再抬一截阈值标定与活体检测的轻量做法系统能跑通只是及格线答辩时老师最爱问“误识率多少、怎么证明”。这里给两个能直接加分的进阶点。第一是阈值标定。别拍脑袋定 0.65用你自己的数据画分布把同一人的特征对相似度记为正样本不同人的记为负样本各统计一批找让误识率和漏识率平衡的点。下面这段能直接跑。import numpy as np def calibrate_threshold(genuine_scores, impostor_scores): genuine: 同一人相似度列表; impostor: 不同人相似度列表 返回使 (误拒误识) 最小的阈值 candidates np.linspace(0.3, 0.95, 66) best_t, best_err 0.65, 1e9 for t in candidates: frr np.mean(np.array(genuine_scores) t) # 误拒率 far np.mean(np.array(impostor_scores) t) # 误识率 err frr far if err best_err: best_t, best_err t, err return best_t, best_err参数说明genuine_scores至少准备 50 对同人相似度impostor_scores准备 200 对以上异人相似度样本越多阈值越可信。论文里把这条曲线画出来比空谈“准确率 99%”有说服力得多。第二是活体检测。照片翻拍能骗过纯识别系统答辩现场被问到很尴尬。轻量做法是用眨眼检测连续帧里用关键点算眼睛纵横比EAR低于阈值再恢复即判定眨眼。不需要额外模型OpenCV 关键点就能做代价是要求用户配合眨眼演示时提前说明即可。我一般把活体作为可选开关默认关闭保证流畅答辩演示时打开。从那以后我每次交付这类系统都强制先跑一遍阈值标定、再录一段翻拍视频测活体两个都过了才敢让人站到摄像头前。希望帮到你。本文还有配套的精品资源点击获取