1. 为什么选择face_recognition做人脸考勤系统最近几年人脸识别技术越来越成熟很多公司都在用这个技术来做考勤管理。相比传统的指纹打卡或者刷卡打卡人脸考勤有几个明显的优势首先是不需要接触设备卫生又方便其次是很难代打卡因为人脸具有唯一性还有就是可以结合摄像头实现无感打卡员工走过就能自动记录。Python的face_recognition库可以说是目前最容易上手的人脸识别工具了。它基于dlib开发封装了很多复杂的算法让我们用几行代码就能实现人脸检测和识别。我做过测试在普通办公环境下face_recognition的准确率能达到95%以上完全能满足考勤系统的需求。这个库最大的特点就是简单易用。不需要训练模型不需要理解复杂的算法原理只要会调用API就能实现功能。对于想要快速开发原型的小团队来说这简直是完美的选择。当然如果是超大规模的人脸识别系统可能需要考虑更专业的解决方案但对于几十人到几百人的公司考勤face_recognition完全够用。2. 系统环境搭建2.1 安装必要的库在开始编码前我们需要准备好开发环境。face_recognition对Python版本有要求建议使用Python 3.6及以上版本。安装过程非常简单只需要几条命令pip install face_recognition pip install opencv-python pip install numpy pip install pillow这里解释下每个库的作用face_recognition核心的人脸识别库opencv-python用于摄像头捕捉和图像处理numpy数值计算支持pillow图像处理库安装时可能会遇到一些小问题特别是face_recognition需要编译dlib如果安装失败可以尝试先安装cmakepip install cmake2.2 测试摄像头在正式开发前建议先测试下摄像头是否正常工作。这里给出一个简单的测试脚本import cv2 cap cv2.VideoCapture(0) # 0表示默认摄像头 while True: ret, frame cap.read() cv2.imshow(Camera Test, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()运行这个脚本你应该能看到摄像头画面。如果报错可能是摄像头驱动问题或者权限问题需要根据具体环境排查。3. 构建人脸数据库3.1 采集员工人脸照片考勤系统的第一步是建立人脸数据库。我们需要收集每个员工的人脸照片作为比对样本。这里建议采用以下规范每人采集3-5张不同角度的照片照片背景尽量简单避免强光或背光环境照片分辨率建议640x480以上可以用下面这个脚本批量采集照片import cv2 import os def capture_faces(employee_id, save_dirface_db): if not os.path.exists(save_dir): os.makedirs(save_dir) cap cv2.VideoCapture(0) count 0 while count 5: # 每人采集5张 ret, frame cap.read() cv2.imshow(Capture Faces - Press Space to Save, frame) key cv2.waitKey(1) if key ord( ): # 按空格保存 filename f{save_dir}/{employee_id}_{count}.jpg cv2.imwrite(filename, frame) print(fSaved {filename}) count 1 elif key ord(q): break cap.release() cv2.destroyAllWindows() # 使用示例 capture_faces(emp001)3.2 编码人脸特征采集完照片后我们需要将这些照片转换为face_recognition能识别的特征编码import face_recognition import os import pickle def encode_faces(db_pathface_db, save_fileface_encodings.pkl): known_face_encodings [] known_face_names [] for filename in os.listdir(db_path): if filename.endswith(.jpg) or filename.endswith(.png): image face_recognition.load_image_file(f{db_path}/{filename}) encodings face_recognition.face_encodings(image) if len(encodings) 0: known_face_encodings.append(encodings[0]) name filename.split(_)[0] known_face_names.append(name) # 保存到文件 with open(save_file, wb) as f: pickle.dump((known_face_encodings, known_face_names), f) return known_face_encodings, known_face_names # 使用示例 encode_faces()这个脚本会遍历face_db目录下的所有照片提取人脸特征编码并保存到face_encodings.pkl文件中。这样下次启动程序时就不需要重新计算了。4. 实时人脸考勤实现4.1 考勤系统主程序有了人脸数据库后我们就可以实现实时考勤了。下面是核心代码import face_recognition import cv2 import numpy as np import pickle from datetime import datetime import os class AttendanceSystem: def __init__(self): self.known_face_encodings [] self.known_face_names [] self.attendance_log set() self.load_face_data() def load_face_data(self, data_fileface_encodings.pkl): if os.path.exists(data_file): with open(data_file, rb) as f: self.known_face_encodings, self.known_face_names pickle.load(f) def mark_attendance(self, name): if name not in self.attendance_log: timestamp datetime.now().strftime(%Y-%m-%d %H:%M:%S) with open(attendance.csv, a) as f: f.write(f{name},{timestamp}\n) self.attendance_log.add(name) return True return False def run(self): video_capture cv2.VideoCapture(0) while True: ret, frame video_capture.read() small_frame cv2.resize(frame, (0, 0), fx0.25, fy0.25) rgb_small_frame small_frame[:, :, ::-1] face_locations face_recognition.face_locations(rgb_small_frame) face_encodings face_recognition.face_encodings(rgb_small_frame, face_locations) for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings): top * 4 right * 4 bottom * 4 left * 4 matches face_recognition.compare_faces(self.known_face_encodings, face_encoding, tolerance0.6) name Unknown face_distances face_recognition.face_distance(self.known_face_encodings, face_encoding) best_match_index np.argmin(face_distances) if matches[best_match_index]: name self.known_face_names[best_match_index] if self.mark_attendance(name): print(f{name} 打卡成功) cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2) cv2.putText(frame, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imshow(Attendance System, frame) if cv2.waitKey(1) 0xFF ord(q): break video_capture.release() cv2.destroyAllWindows() if __name__ __main__: system AttendanceSystem() system.run()4.2 代码解析这个考勤系统主要做了以下几件事初始化时加载预先保存的人脸编码数据开启摄像头实时捕捉画面对每一帧图像进行人脸检测和识别识别成功后记录考勤信息到CSV文件在画面上标注识别结果有几个关键点需要注意图像缩小处理为了提升性能我们先把图像缩小到1/4大小进行处理人脸比对使用compare_faces函数进行比对tolerance参数控制识别严格度考勤记录使用set来避免重复记录确保每人每天只记录一次4.3 考勤记录格式系统生成的考勤记录是CSV格式包含员工ID和打卡时间emp001,2023-08-15 09:05:23 emp002,2023-08-15 09:07:45 ...这种格式可以直接用Excel打开方便HR部门进行统计。5. 系统优化与扩展5.1 性能优化技巧在实际使用中可能会遇到性能问题。以下是几个优化建议多线程处理将人脸识别放在单独线程避免阻塞主线程帧率控制不需要每帧都处理可以每隔几帧处理一次人脸跟踪对已识别的人脸进行跟踪减少重复识别GPU加速如果使用NVIDIA显卡可以安装dlib的GPU版本优化后的代码框架from threading import Thread import queue class FaceRecognitionThread(Thread): def __init__(self, input_queue, output_queue): Thread.__init__(self) self.input_queue input_queue self.output_queue output_queue self.daemon True def run(self): while True: frame self.input_queue.get() # 人脸识别处理... self.output_queue.put((frame, results))5.2 功能扩展基础功能实现后可以考虑以下扩展活体检测防止用照片冒充真人打卡考勤报表自动生成每日/每周考勤统计异常提醒迟到、早退自动通知Web界面使用Flask或Django开发管理后台多摄像头支持适用于大型办公场所5.3 常见问题解决在实际部署时可能会遇到这些问题光线问题建议在打卡区域增加补光角度问题指导员工正对摄像头新人录入开发自助录入界面识别率低调整tolerance参数优化照片质量6. 完整代码整合以下是整合后的完整代码包含所有功能import face_recognition import cv2 import numpy as np import pickle from datetime import datetime import os from threading import Thread import queue class AttendanceSystem: def __init__(self): self.known_face_encodings [] self.known_face_names [] self.attendance_log set() self.load_face_data() self.frame_queue queue.Queue() self.result_queue queue.Queue() self.recognition_thread FaceRecognitionThread(self.frame_queue, self.result_queue, self.known_face_encodings, self.known_face_names) self.recognition_thread.start() def load_face_data(self, data_fileface_encodings.pkl): if os.path.exists(data_file): with open(data_file, rb) as f: self.known_face_encodings, self.known_face_names pickle.load(f) def mark_attendance(self, name): if name not in self.attendance_log: timestamp datetime.now().strftime(%Y-%m-%d %H:%M:%S) with open(attendance.csv, a) as f: f.write(f{name},{timestamp}\n) self.attendance_log.add(name) return True return False def run(self): video_capture cv2.VideoCapture(0) process_this_frame True while True: ret, frame video_capture.read() if process_this_frame: self.frame_queue.put(frame) process_this_frame not process_this_frame try: result_frame, names self.result_queue.get_nowait() for name in names: if name ! Unknown: if self.mark_attendance(name): print(f{name} 打卡成功) cv2.imshow(Attendance System, result_frame) except queue.Empty: cv2.imshow(Attendance System, frame) if cv2.waitKey(1) 0xFF ord(q): break video_capture.release() cv2.destroyAllWindows() class FaceRecognitionThread(Thread): def __init__(self, input_queue, output_queue, known_encodings, known_names): Thread.__init__(self) self.input_queue input_queue self.output_queue output_queue self.known_encodings known_encodings self.known_names known_names self.daemon True def run(self): while True: frame self.input_queue.get() small_frame cv2.resize(frame, (0, 0), fx0.25, fy0.25) rgb_small_frame small_frame[:, :, ::-1] face_locations face_recognition.face_locations(rgb_small_frame) face_encodings face_recognition.face_encodings(rgb_small_frame, face_locations) names [] for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings): top * 4 right * 4 bottom * 4 left * 4 matches face_recognition.compare_faces(self.known_encodings, face_encoding, tolerance0.6) name Unknown face_distances face_recognition.face_distance(self.known_encodings, face_encoding) best_match_index np.argmin(face_distances) if matches[best_match_index]: name self.known_names[best_match_index] names.append(name) cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2) cv2.putText(frame, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) self.output_queue.put((frame, names)) if __name__ __main__: system AttendanceSystem() system.run()这个最终版本加入了多线程处理性能更好适合实际部署使用。
【Python实战】基于face_recognition构建简易人脸考勤系统【附完整代码】
发布时间：2026/5/19 5:11:28
1. 为什么选择face_recognition做人脸考勤系统最近几年人脸识别技术越来越成熟很多公司都在用这个技术来做考勤管理。相比传统的指纹打卡或者刷卡打卡人脸考勤有几个明显的优势首先是不需要接触设备卫生又方便其次是很难代打卡因为人脸具有唯一性还有就是可以结合摄像头实现无感打卡员工走过就能自动记录。Python的face_recognition库可以说是目前最容易上手的人脸识别工具了。它基于dlib开发封装了很多复杂的算法让我们用几行代码就能实现人脸检测和识别。我做过测试在普通办公环境下face_recognition的准确率能达到95%以上完全能满足考勤系统的需求。这个库最大的特点就是简单易用。不需要训练模型不需要理解复杂的算法原理只要会调用API就能实现功能。对于想要快速开发原型的小团队来说这简直是完美的选择。当然如果是超大规模的人脸识别系统可能需要考虑更专业的解决方案但对于几十人到几百人的公司考勤face_recognition完全够用。2. 系统环境搭建2.1 安装必要的库在开始编码前我们需要准备好开发环境。face_recognition对Python版本有要求建议使用Python 3.6及以上版本。安装过程非常简单只需要几条命令pip install face_recognition pip install opencv-python pip install numpy pip install pillow这里解释下每个库的作用face_recognition核心的人脸识别库opencv-python用于摄像头捕捉和图像处理numpy数值计算支持pillow图像处理库安装时可能会遇到一些小问题特别是face_recognition需要编译dlib如果安装失败可以尝试先安装cmakepip install cmake2.2 测试摄像头在正式开发前建议先测试下摄像头是否正常工作。这里给出一个简单的测试脚本import cv2 cap cv2.VideoCapture(0) # 0表示默认摄像头 while True: ret, frame cap.read() cv2.imshow(Camera Test, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()运行这个脚本你应该能看到摄像头画面。如果报错可能是摄像头驱动问题或者权限问题需要根据具体环境排查。3. 构建人脸数据库3.1 采集员工人脸照片考勤系统的第一步是建立人脸数据库。我们需要收集每个员工的人脸照片作为比对样本。这里建议采用以下规范每人采集3-5张不同角度的照片照片背景尽量简单避免强光或背光环境照片分辨率建议640x480以上可以用下面这个脚本批量采集照片import cv2 import os def capture_faces(employee_id, save_dirface_db): if not os.path.exists(save_dir): os.makedirs(save_dir) cap cv2.VideoCapture(0) count 0 while count 5: # 每人采集5张 ret, frame cap.read() cv2.imshow(Capture Faces - Press Space to Save, frame) key cv2.waitKey(1) if key ord( ): # 按空格保存 filename f{save_dir}/{employee_id}_{count}.jpg cv2.imwrite(filename, frame) print(fSaved {filename}) count 1 elif key ord(q): break cap.release() cv2.destroyAllWindows() # 使用示例 capture_faces(emp001)3.2 编码人脸特征采集完照片后我们需要将这些照片转换为face_recognition能识别的特征编码import face_recognition import os import pickle def encode_faces(db_pathface_db, save_fileface_encodings.pkl): known_face_encodings [] known_face_names [] for filename in os.listdir(db_path): if filename.endswith(.jpg) or filename.endswith(.png): image face_recognition.load_image_file(f{db_path}/{filename}) encodings face_recognition.face_encodings(image) if len(encodings) 0: known_face_encodings.append(encodings[0]) name filename.split(_)[0] known_face_names.append(name) # 保存到文件 with open(save_file, wb) as f: pickle.dump((known_face_encodings, known_face_names), f) return known_face_encodings, known_face_names # 使用示例 encode_faces()这个脚本会遍历face_db目录下的所有照片提取人脸特征编码并保存到face_encodings.pkl文件中。这样下次启动程序时就不需要重新计算了。4. 实时人脸考勤实现4.1 考勤系统主程序有了人脸数据库后我们就可以实现实时考勤了。下面是核心代码import face_recognition import cv2 import numpy as np import pickle from datetime import datetime import os class AttendanceSystem: def __init__(self): self.known_face_encodings [] self.known_face_names [] self.attendance_log set() self.load_face_data() def load_face_data(self, data_fileface_encodings.pkl): if os.path.exists(data_file): with open(data_file, rb) as f: self.known_face_encodings, self.known_face_names pickle.load(f) def mark_attendance(self, name): if name not in self.attendance_log: timestamp datetime.now().strftime(%Y-%m-%d %H:%M:%S) with open(attendance.csv, a) as f: f.write(f{name},{timestamp}\n) self.attendance_log.add(name) return True return False def run(self): video_capture cv2.VideoCapture(0) while True: ret, frame video_capture.read() small_frame cv2.resize(frame, (0, 0), fx0.25, fy0.25) rgb_small_frame small_frame[:, :, ::-1] face_locations face_recognition.face_locations(rgb_small_frame) face_encodings face_recognition.face_encodings(rgb_small_frame, face_locations) for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings): top * 4 right * 4 bottom * 4 left * 4 matches face_recognition.compare_faces(self.known_face_encodings, face_encoding, tolerance0.6) name Unknown face_distances face_recognition.face_distance(self.known_face_encodings, face_encoding) best_match_index np.argmin(face_distances) if matches[best_match_index]: name self.known_face_names[best_match_index] if self.mark_attendance(name): print(f{name} 打卡成功) cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2) cv2.putText(frame, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imshow(Attendance System, frame) if cv2.waitKey(1) 0xFF ord(q): break video_capture.release() cv2.destroyAllWindows() if __name__ __main__: system AttendanceSystem() system.run()4.2 代码解析这个考勤系统主要做了以下几件事初始化时加载预先保存的人脸编码数据开启摄像头实时捕捉画面对每一帧图像进行人脸检测和识别识别成功后记录考勤信息到CSV文件在画面上标注识别结果有几个关键点需要注意图像缩小处理为了提升性能我们先把图像缩小到1/4大小进行处理人脸比对使用compare_faces函数进行比对tolerance参数控制识别严格度考勤记录使用set来避免重复记录确保每人每天只记录一次4.3 考勤记录格式系统生成的考勤记录是CSV格式包含员工ID和打卡时间emp001,2023-08-15 09:05:23 emp002,2023-08-15 09:07:45 ...这种格式可以直接用Excel打开方便HR部门进行统计。5. 系统优化与扩展5.1 性能优化技巧在实际使用中可能会遇到性能问题。以下是几个优化建议多线程处理将人脸识别放在单独线程避免阻塞主线程帧率控制不需要每帧都处理可以每隔几帧处理一次人脸跟踪对已识别的人脸进行跟踪减少重复识别GPU加速如果使用NVIDIA显卡可以安装dlib的GPU版本优化后的代码框架from threading import Thread import queue class FaceRecognitionThread(Thread): def __init__(self, input_queue, output_queue): Thread.__init__(self) self.input_queue input_queue self.output_queue output_queue self.daemon True def run(self): while True: frame self.input_queue.get() # 人脸识别处理... self.output_queue.put((frame, results))5.2 功能扩展基础功能实现后可以考虑以下扩展活体检测防止用照片冒充真人打卡考勤报表自动生成每日/每周考勤统计异常提醒迟到、早退自动通知Web界面使用Flask或Django开发管理后台多摄像头支持适用于大型办公场所5.3 常见问题解决在实际部署时可能会遇到这些问题光线问题建议在打卡区域增加补光角度问题指导员工正对摄像头新人录入开发自助录入界面识别率低调整tolerance参数优化照片质量6. 完整代码整合以下是整合后的完整代码包含所有功能import face_recognition import cv2 import numpy as np import pickle from datetime import datetime import os from threading import Thread import queue class AttendanceSystem: def __init__(self): self.known_face_encodings [] self.known_face_names [] self.attendance_log set() self.load_face_data() self.frame_queue queue.Queue() self.result_queue queue.Queue() self.recognition_thread FaceRecognitionThread(self.frame_queue, self.result_queue, self.known_face_encodings, self.known_face_names) self.recognition_thread.start() def load_face_data(self, data_fileface_encodings.pkl): if os.path.exists(data_file): with open(data_file, rb) as f: self.known_face_encodings, self.known_face_names pickle.load(f) def mark_attendance(self, name): if name not in self.attendance_log: timestamp datetime.now().strftime(%Y-%m-%d %H:%M:%S) with open(attendance.csv, a) as f: f.write(f{name},{timestamp}\n) self.attendance_log.add(name) return True return False def run(self): video_capture cv2.VideoCapture(0) process_this_frame True while True: ret, frame video_capture.read() if process_this_frame: self.frame_queue.put(frame) process_this_frame not process_this_frame try: result_frame, names self.result_queue.get_nowait() for name in names: if name ! Unknown: if self.mark_attendance(name): print(f{name} 打卡成功) cv2.imshow(Attendance System, result_frame) except queue.Empty: cv2.imshow(Attendance System, frame) if cv2.waitKey(1) 0xFF ord(q): break video_capture.release() cv2.destroyAllWindows() class FaceRecognitionThread(Thread): def __init__(self, input_queue, output_queue, known_encodings, known_names): Thread.__init__(self) self.input_queue input_queue self.output_queue output_queue self.known_encodings known_encodings self.known_names known_names self.daemon True def run(self): while True: frame self.input_queue.get() small_frame cv2.resize(frame, (0, 0), fx0.25, fy0.25) rgb_small_frame small_frame[:, :, ::-1] face_locations face_recognition.face_locations(rgb_small_frame) face_encodings face_recognition.face_encodings(rgb_small_frame, face_locations) names [] for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings): top * 4 right * 4 bottom * 4 left * 4 matches face_recognition.compare_faces(self.known_encodings, face_encoding, tolerance0.6) name Unknown face_distances face_recognition.face_distance(self.known_encodings, face_encoding) best_match_index np.argmin(face_distances) if matches[best_match_index]: name self.known_names[best_match_index] names.append(name) cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2) cv2.putText(frame, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) self.output_queue.put((frame, names)) if __name__ __main__: system AttendanceSystem() system.run()这个最终版本加入了多线程处理性能更好适合实际部署使用。
