简介面向计算机专业毕业设计及人脸识别应用开发场景这套基于深度学习的人脸识别签到系统实现方案覆盖人脸注册、模型训练、识别签到与记录查询等环节前后端模块划分清晰适合需要完成课设、毕设或搭建同类考勤系统的开发者参考。压缩包为 zip 格式共 38 个文件约 203.34MB。文件类型主要包括 Python 源码、HTML 前端页面、SQLite 数据库、人脸识别模型与配置文件Python 脚本承担后端逻辑HTML/CSS 构成签到界面模型与数据库分别支撑人脸特征提取和签到数据存储。目前已有 109 人学习说明其具备一定参考价值。通过该资源可掌握完整项目框架、核心功能实现及模块衔接方式既能理解人脸识别签到的落地流程也便于在此基础上扩展功能或适配自身业务场景对毕业设计选题和答辩准备均有实际帮助。1. 当毕设题目同时押中深度学习、人脸识别和签到系统先想清要交付什么“毕业设计基于深度学习的人脸识别签到系统的设计与实现”这个标题几乎每年都会出现在高校毕设选题名单里。它把深度学习、人脸识别、签到系统三件事串成一条完整的落地链路用深度学习模型完成人脸检测与特征提取用比对结果判断“来者是不是已登记的人”再把结果写入签到记录。对做毕设的学生而言这个题目最值钱的地方在于它不是一个纯算法题而是一个系统工程题——数据、模型、算法指标之外还要处理数据库、界面和实时调用任何一个环节出问题演示现场都会翻车。我按自己带过的类似项目把这条路拆开讲一遍覆盖技术路线选型、数据集准备、核心代码结构、参数调优和踩坑记录。无论你是第一次接触深度学习新人还是已经会跑模型但没做过完整业务闭环的熟手这篇文章都能让你对着标题把方案完整补出来。2. 技术路线怎么选端到端识别模型、特征比对与系统架构落点2.1 为什么不用传统方法深度学习方案到底选哪种很多人想到人脸识别第一反应是用 OpenCV 自带的LBPHFaceRecognizer或者 EigenFace 那套东西。这类传统方法在固定光照、固定角度、证件照场景下能出结果代码也短但有两个硬伤一是对姿态和光照极其敏感二是答辩时老师会直接问“你的深度学习体现在哪里”。所以毕设题目既然点名了深度学习就要老老实实走深度模型路线。常见的深度学习人脸识别方案分两种。第一种是把检测和识别分开检测用深度学习模型比如 OpenCV DNN 加载的 SSD、ResNet、YuNet或者 MTCNN、RetinaFace特征提取用预训练的 FaceNet、ArcFace 或 dlib 的face_recognition模型。第二种是端到端的单模型方案输入一张图直接输出“这是谁”但这类方案通常是针对固定人员集合训练的分类模型换人就失效可复现性和毕设答辩的扩展性都很差。我一般推荐第一种业界做门禁系统也基本是这个思路检测是检测比对是比对两边各自换模型都方便。2.2 人脸比对用特征向量还是用分类头阈值参数怎么定特征向量方案把人脸编码成一个固定维度的向量FaceNet 是 128 维ArcFace 常见的是 512 维然后通过计算欧氏距离或余弦相似度来判断是不是同一个人。这个方案的好处是换人不用重训模型新增一个学生就拍几张照片提取向量存进库里运行时把实时帧的向量和库里的向量算距离小于阈值就算匹配。阈值设置是很关键的操作参数用face_recognition时距离小于 0.6 算同一个人这个 0.6 是官方经验值但毕设现场通常要再收紧到 0.5 左右不然容易把长得像的两个人误判成同一个。用余弦相似度时阈值一般取 0.7 到 0.85 之间。具体值不要照搬要在你的数据集上做一次小规模验证把班级同学的误报率测出来再定。这个测试过程本身也是毕设论文里“实验与分析”章节的素材。2.3 系统架构落点本地主机方案比服务器方案更适合毕设演示做过实际项目的人都知道毕设最怕的是演示时依赖外部环境——要联网、要服务器、要摄像头权限都没到位。所以架构我建议是“本机摄像头采集 本机模型推理 本机 SQLite 数据库 本机 GUI/Web 页面”完全不依赖局域网和云端。用 PyQt5 做桌面窗口或者用 Flask 起一个本地网页再打开摄像头都行前者依赖更少后者界面更好看且答辩时能远程打开可以根据个人熟悉程度选。这套架构下数据流是摄像头逐帧获取图像→人脸检测框出人脸→提取特征向量→遍历人员特征库算距离→得到最小距离和对应人员→判断是否达标→写入签到记录。每一步都是独立函数后期写论文画框图也清晰。2.4 环境搭建深度学习环境配置的具体坑环境层面的历史教训很多Python 版本太新容易装不上dlibPyTorch 和 TensorFlow 混着装会互相干扰。我建议直接用 miniconda 建一个独立环境conda create -n face_check python3.10 -y conda activate face_check pip install opencv-python face_recognition flask pyqt5 sqlite3-utils如果pip install face_recognition在 Windows 上报 dlib 编译失败的错常见做法是去安装 Visual Studio 的 C Build Tools或者直接改用opencv-python和face_recognition_models混用。最容易耽误时间的点是 conda 下载太慢可以给 conda 配国内镜像源三行配置就能把环境搭建时间从一小时压到十分钟。配完之后在终端里跑一句验证命令python -c import face_recognition, cv2; print(cv2.__version__)能正确打印 OpenCV 版本就说明环境基本通了。这一步建议放在项目第一天做完不要拖到写代码时再排查环境。3. 从自采数据集到人脸特征库把数据整理成模型能直接用的样子3.1 数据集从哪来自采照片的采集规范与数量底线很多做毕设的人一上来就想用 LFW 或 WIDER Face 这种公开数据集但实际上签到系统关心里的是“班里这几个人”公开数据集的人脸和你要签到的学生不是同一批反而不能直接作为人员注册库使用。正确做法是自采数据集找 10 到 20 个真实参与演示的同学每人采集 10 到 20 张照片覆盖正面、左右偏转、抬头低头、室内灯光、自然光、戴不戴眼镜等状态。数量不需要多但规范性比数量重要。采集时用手机或笔记本摄像头都行推荐用同一台电脑的摄像头采集因为模型推理和演示用的都是这台电脑采集和运行环境的成像特征一致识别成功率高得多。每张照片裁好之后统一放到dataset/目录下按“姓名_序号.jpg”命名这个命名后面直接用于生成标签省得再维护映射表。3.2 人脸检测与对齐的预处理脚本采集完原始图片后不能直接拿去提特征因为模型输入要求人脸对齐。常见做法是用 dlib 或 OpenCV 的检测器框出人脸再缩放成统一尺寸。下面这段脚本把人脸检测、裁剪、缩放、保存一次完成import cv2 import os from pathlib import Path def preprocess_face(img_path, output_size(160, 160)): img cv2.imread(img_path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # face_recognition 内部用 dlib 的检测器返回人脸位置 boxes face_recognition.face_locations(img_rgb, modelcnn) # cnn 模型精度更高 if len(boxes) 0: boxes face_recognition.face_locations(img_rgb, modelhog) # 退到 hog 快很多 face_imgs [] for top, right, bottom, left in boxes: # 适当向外扩一圈避免裁掉额头和下巴 top max(0, top - 10) bottom min(img.shape[0], bottom 10) left max(0, left - 10) right min(img.shape[1], right 10) face img_rgb[top:bottom, left:right] # 缩放到统一尺寸避免模型输入尺寸不一致 face cv2.resize(face, output_size) face_imgs.append(face) return face_imgs for img_path in Path(dataset).glob(*.jpg): faces preprocess_face(str(img_path)) for i, face in enumerate(faces): out_path faligned/{img_path.stem}_{i}.jpg os.makedirs(aligned, exist_okTrue) cv2.imwrite(out_path, cv2.cvtColor(face, cv2.COLOR_RGB2BGR))这里有两个参数值得注意output_size设为 160 是配合 FaceNet 输入尺寸如果用的 ArcFace 相关模型可以设 112modelcnn检测精度更高但推理慢对离线预处理来说无所谓但实时识别时就别用 cnn 模式否则帧率上不去。3.3 提取特征并写入本地特征库人脸特征库是整个系统的核心数据每个登记人员对应一个特征向量列表。同一个人的多张照片可以提取出多个向量识别时取最小距离即可。下面的脚本扫描aligned/目录输出一个 JSON 特征库import face_recognition import json import numpy as np from pathlib import Path known_faces {} # 遍历每个对齐后的图片用模型提取 128 维人脸特征 for face_path in Path(aligned).glob(*.jpg): name face_path.stem.split(_)[0] # 由文件名取得姓名 img face_recognition.load_image_file(str(face_path)) encodings face_recognition.face_encodings(img) if len(encodings) 0: continue known_faces.setdefault(name, []).append(encodings[0].tolist()) # 保存为本地 JSON 特征库后续识别时直接加载不用重算 with open(face_db.json, w, encodingutf-8) as f: json.dump(known_faces, f, ensure_asciiFalse, indent2)这段脚本的关键是setdefault用法一个人多张照片的向量都挂到同一个姓名下。特征库文件只有几十 KB加载速度很快毕设答辩时即便现场没有 GPU 也能跑。实际运行时不需要全部照片的向量都参与比对一个人保留 3 到 5 个代表性向量就够了否则比对耗时随人员数量线性上涨。3.4 特征库的维护逻辑录入覆盖与删除规则签到系统必须支持“新增学生”和“删除学生”两个操作不能靠手工改 JSON。常见的做法是提供一个注册函数传入一张现场图片先跑人脸检测如果检测到且与库中已有人员的距离大于阈值则追加为新人员如果与某人距离小于阈值则提示“该人已登记”并把新特征追加到该人名下。删除操作按姓名删掉 JSON 里的整组向量。这里有个容易被忽略的细节每次新增后要重新写 JSON 文件并保证写文件的原子性——先写临时文件再改名不然中途断电会损坏特征库。写过一次踩坑之后我都是用tempfile加os.replace处理几行代码的事但能省掉不少麻烦。4. 把模型接进签到闭环核心代码结构与必调参数4.1 实时人脸检测和识别的最小实现签到系统的主循环是读取摄像头帧每隔几帧跑一次检测和识别。下面是完整的核心逻辑import cv2 import face_recognition import numpy as np import json import time # 加载特征库 with open(face_db.json, r, encodingutf-8) as f: known_faces json.load(f) known_names [] known_encodings [] for name, encodings in known_faces.items(): known_names.append(name) known_encodings.append(np.array(encodings[0])) video_capture cv2.VideoCapture(0) # 0 表示默认摄像头 process_every_n_frames 3 # 每 3 帧才跑一次识别降低 CPU 占用 frame_count 0 while True: success, frame video_capture.read() if not success: break frame_count 1 if frame_count % process_every_n_frames ! 0: continue small_frame cv2.resize(frame, (0, 0), fx0.5, fy0.5) # 缩小一半提速明显 rgb_frame cv2.cvtColor(small_frame, cv2.COLOR_BGR2RGB) # 检测人脸位置 face_locations face_recognition.face_locations(rgb_frame, modelhog) # 提取实时帧的人脸特征 face_encodings face_recognition.face_encodings(rgb_frame, face_locations) for face_encoding in face_encodings: # 计算与所有已知人员特征的欧氏距离 distances face_recognition.face_distance(known_encodings, face_encoding) min_distance float(np.min(distances)) match_index int(np.argmin(distances)) # 距离阈值 0.5越小越严格 if min_distance 0.5: name known_names[match_index] else: name Unknown print(fDetected: {name}, distance: {min_distance:.3f}) # 显示画面方便演示 cv2.imshow(Face Check System, small_frame) if cv2.waitKey(1) 0xFF ord(q): break video_capture.release() cv2.destroyAllWindows()这段代码里三个参数需要重点理解modelhog是实时识别首选CNN 模型精度高但一帧可能要跑几百毫秒演示时基本不可用fx0.5把图像长宽各缩小一半像素减少到四分之一识别速度能提升 3 倍以上process_every_n_frames3则是跳帧逻辑让识别频率不要和摄像头帧率绑定。4.2 签到的业务逻辑比对成功之后写入数据库识别出姓名后要做的事是写入签到记录而不是只打一行 print。我用 SQLite 建两张表一张存人员信息一张存签到记录CREATE TABLE IF NOT EXISTS students ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL UNIQUE, student_id TEXT, face_features TEXT, created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE IF NOT EXISTS attendance ( id INTEGER PRIMARY KEY AUTOINCREMENT, student_name TEXT NOT NULL, sign_time DATETIME DEFAULT CURRENT_TIMESTAMP, distance REAL, UNIQUE(student_name, date(sign_time)) -- 每人每天只能签到一次 );第二张表上加了唯一约束防止演示时摄像头连续识别到同一个人就重复签到。这个去重设计在答辩时非常加分老师会问“如果一个人站在镜头前不走系统会不会刷屏”你可以直接指这张表的UNIQUE约束。写入逻辑用 Python 的 sqlite3 处理需要捕获sqlite3.IntegrityError来判断重复签到import sqlite3 conn sqlite3.connect(attendance.db) try: conn.execute( INSERT INTO attendance (student_name, distance) VALUES (?, ?), (name, min_distance), ) conn.commit() print(f{name} 签到成功距离 {min_distance:.3f}) except sqlite3.IntegrityError: print(f{name} 今天已经签过了)这里的distance字段建议保留下来既方便事后分析阈值是否合理也是论文里可以放的一张统计表数据来源。4.3 几个必调参数及其对应后果体验过现场演示的人都知道参数调不好就是灾难。识别延迟、漏检率、误识别率都和三个参数强相关。第一个是输入分辨率分辨率和距离的关系有耐心课分辨率越高小目标越容易被检测出来但推理耗时上升建议实时阶段用 640x480识别阶段用原图。第二个是跳帧间隔帧间隔越大 CPU 越轻松但人走过镜头时可能刚好被跳过所以 2 到 4 帧是合理区间。第三个是相似度阈值阈值调高会导致陌生人被误认为已知人员调低则会出现漏签合理做法是上台展示前花五分钟用两个同学做十次“签到/拒识”测试。还有个常见误区是使用 RGB 通道直接处理没有做光线归一化在实验室白炽灯下没问题但在窗边自然光下会导致识别率下降。常见做法是在预处理时加一层 CLAHE 自适应直方图均衡化OpenCV 一行调用就能显著改善光照不均问题。这个提升在演示现场非常明显。5. 踩坑记录人脸识别签到系统常见问题与排查方法5.1 现象换了一台电脑或摄像头后识别率骤降原因定位容易踩坑。face_recognition底层用的是 dlib 的预训练模型模型的输出本身和摄像头无关但训练人脸编码的样本如果和你现场画面的成像分布差异大比如训练时用的是手机前置摄像头现场用的是笔记本摄像头色温、畸变、肤色还原都不一样识别率自然会掉。解决方法是让采集和识别使用同一个相机或者把对齐后的图片多做几次颜色增强。更直接的是在 preprocessing 阶段增加 CLAHE 均衡化使用cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8))对灰度图作处理就能抹掉大部分光照差异。这个步骤放在特征提取之前而不是放在原图上否则会引入噪声。5.2 现象dlib 装不上环境搭建卡住一整天Windows 上装face_recognition最常见的失败点是编译 dlib 时报 CMake 或 C 编译器错误。表面看是 pip 安装失败实际原因是缺少 MSVC Build Tools 或 CMake 版本不对。解决顺序有两条路一是安装 Visual Studio Build Tools 勾选“使用 C 的桌面开发”工作负载然后pip install dlib二是直接放弃face_recognition改用 OpenCV DNN 加载现成的face_detection_yunet模型做人脸检测再用insightface或 ONNX 特征提取模型做比对这类模型都是预编译好的 ONNX 格式不需要本地编译。我推荐第二条路省时间且可控。5.3 现象张三被识别成李四或者识别框在两人之间反复横跳这种情况往往不是模型有问题而是特征库里张三和李四的照片特征太相近并且距离阈值设得太大。排查方式是把两张照片提取出的 128 维向量直接打印出来算距离如果距离小于 0.4说明两个人在特征空间里本来就很接近不该同时出现在库里。解决方法是给距离阈值加一个“置信度区间”小于 0.35 直接认定匹配位于 0.35 到 0.6 之间时输出“可能是某人请靠近摄像头”大于 0.6 直接拒绝。这里的 0.35 和 0.6 不是标准值建议在自己的特征库上统计同类距离和异类距离的分布后确定。5.4 现象把照片或手机屏幕上的脸也识别成真人被老师当场指出这是人脸识别毕设的高频翻车点。纯静态人脸识别不加活体检测确实会认照片。最廉价的活体检测是要求用户眨眼或轻微转头OpenCV 配合 dlib 的 68 点人脸关键点检测可以计算眼睛纵横比连续三帧以内出现“睁开-闭上-睁开”状态就判定为活体。但实现量偏大毕设时间紧张的话可以用结构光交替方案替代在摄像头上用屏幕制造短时亮度变化观察画面亮度响应但效果不稳定。最稳妥的做法是直接用一台带红外深度感知的摄像头比如常见的人脸识别门禁机硬件方案这在答辩时也可以作为硬件选型亮点介绍。5.5 现象多人出现在画面里时后方的同学总是被漏检原因在于 dlib 的 HOG 检测器对近处人脸效果好对远处小人脸容易忽略而且多人时后层人脸被遮挡。解决方法是换用 OpenCV DNN 的YuNet模型它比 HOG 更擅长检测小尺寸人脸检测速度在 CPU 上也能跑到 20 帧以上。另外一个辅助手段是调整face_locations的number_of_times_to_upsample参数增大采样倍率能提高小脸检出率但推理时间会翻倍更推荐控制签到距离在 0.5 米到 1.2 米之间超过这个范围提示“请靠近摄像头”。这个提示本身就是一个合规的签到流程设计点。6. 让毕设多走一步可视化验证与方法改进技巧6.1 给摄像头画面加上实时指标输出不要只让系统输出文本结果改成在画面上直接绘制检测框、姓名和距离值这能极大提升现场演示的说服力。完整显示代码如下for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings): distances face_recognition.face_distance(known_encodings, face_encoding) min_distance float(np.min(distances)) match_index int(np.argmin(distances)) name known_names[match_index] if min_distance 0.5 else Unknown color (0, 255, 0) if name ! Unknown else (0, 0, 255) cv2.rectangle(small_frame, (left, top), (right, bottom), color, 2) cv2.putText(small_frame, f{name} {min_distance:.2f}, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2)显示距离值这个动作极其重要。老师会看到数字从 0.55 降到 0.48 再判定通过能直观理解“阈值”在系统里到底是什么作用。我自己的毕设经验是永远不要只给一个“匹配/不匹配”的二元结果把中间量拿出来给人看才显得系统不是黑匣子。6.2 录一段视频做离线自动化验证毕设报告里需要写识别准确率和误识率手动现场测试不可重复也拿不出量化数据。技巧是把摄像头环节替换成视频文件video_capture cv2.VideoCapture(test_video.mp4)用一段包含多位同学入镜、离开、再入镜的录制视频跑同一个识别主循环自动统计总检测次数、识别成功次数、失败次数和平均距离输出成 CSV。这样你可以在交论文前调整阈值让数据达到一个好看的平衡点。录视频时建议固定三脚架保持和真实签到一致的摆放位置。6.3 给系统加一个“今日签到名单”的展示页很多签到系统只做到识别和写入数据库就结束了但老师更想看到“这个系统解决了签到管理问题”。用 Flask 加一个极简页面查询当天attendance表里的记录并按班级分组展示就补上了“管理端”这一环。这个页面不需要好看清晰列出姓名和签到时间即可。你也可以用 PyQt5 在桌面端直接塞一个QTableWidget展示今天的签到结果数据源头仍然是同一张 SQLite 表。在我看来人脸识别签到系统的难点从来不在单点技术上而是识别流程的可靠性、阈值和业务规则怎么配合。最终能打动人心的作品是把检测、比对、去重、展示、录入几个模块都跑通、且现场不出状况的作品。希望这篇拆解能帮你在毕设路上少走一点弯路。本文还有配套的精品资源点击获取