简介基于Python与OpenCV开发的人脸识别员工考勤系统面向高校毕业设计、课程设计与期末大作业场景已获导师指导并通过验收适合计算机、软件工程等专业学生参考或直接使用。资源包共669个文件涵盖501个Python脚本、44个动态库、22个可执行程序以及模型权重、XML配置、图片、CSV日志等辅助文件压缩包约197.57MB目录结构清晰解压后即可运行。项目围绕人脸采集、特征提取、比对识别、考勤记录存储与查询等核心流程展开包含完整的界面与后端逻辑并附带项目文档、数据库文件和说明性文档可帮助快速理解人脸识别技术在员工考勤中的落地方式也便于二次开发与功能扩展。目前已有520人学习下载适合需要快速搭建可演示系统、同时关注代码规范与文档完整性的毕设人群。1. 人脸考勤这个题目为什么值得自己动手拆一遍员工考勤系统几乎是毕业设计里出现频率最高的题目之一但多数实现只是把“打卡”换了个壳子本质还是密码或工号。这套基于 Python OpenCV 的人脸识别考勤系统不一样的地方在于它把“身份确认”这一步真正交给了视觉特征摄像头捕捉人脸OpenCV 的级联分类器完成人脸检测LBPH 算法提取纹理特征并完成身份匹配整个推理过程只靠 CPU 就能跑不需要 GPU也不需要折腾深度学习框架。这对于两类人特别有价值。一类是正在做毕业设计或课程设计的学生这套源码从人脸注册、特征训练到实时识别、考勤记录落盘都串好了直接跑通再改改界面就可以答辩另一类是工作中需要快速验证人脸识别流程的工程师比如给内部小工具加一个刷脸签到功能用 OpenCV 这套方案比引一个几十 MB 的深度学习推理引擎要轻得多。后端也没有引入复杂依赖识别记录直接写在 CSV 里改造空间很清晰。下面从识别链路到源码结构逐层拆开讲。2. 识别链路的核心OpenCV 人脸检测与 LBPH 特征匹配2.1 什么是 LBPH为什么这套毕业设计选它LBPHLocal Binary Pattern Histograms局部二值模式直方图是一种传统人脸识别算法不依赖神经网络。它的思路是把人脸图像划分成若干小区域每个像素和邻域像素比较大小关系生成一个局部二值码再统计成直方图作为该人脸的特征。识别时将当前人脸的特征与已注册的人脸特征做距离计算距离越小越可能是同一个人。这个项目选 LBPH 而不是深度学习方案主要出于三个现实约束。第一毕设和课程设计通常运行在普通笔记本上没有独立 GPULBPH 的推理耗时能控制在毫秒级。第二LBPH 小样本即可工作每人提供 10 到 20 张注册图片就能达到可演示的识别效果而深度学习人脸模型至少需要几百张做微调才可靠。第三OpenCV 的face模块直接封装了 LBPHopencv-contrib-python安装后就能调用代码量比训练一个 CNN 模型少一个数量级。对应到源码里人脸检测用cv2.CascadeClassifier加载 Haar 级联分类器模型人脸识别用cv2.face.LBPHFaceRecognizer_create()创建识别器。整套链路按“检测 → 预处理 → 识别 → 记录”的顺序执行下面把每一环的参数讲清楚。2.2 Haar 级联检测器detectMultiScale 的参数决定了漏检率项目里负责从摄像头帧中找人脸的是一组 Haar 特征级联分类器模型文件一般是haarcascade_frontalface_default.xml。检测时调用detectMultiScale通常可以看到这样一段代码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) )scaleFactor是每次图像缩小的比例系数1.1 表示逐次缩小 10%。调小到 1.05 会显著增加检测窗口的数量提高小尺寸人脸的检出率但每帧耗时也会上升。minNeighbors是候选矩形需要被多少个邻近窗口共同确认才保留的阈值默认 5 左右。调高可以过滤掉大量误检但人脸侧面或轻微遮挡时容易被漏检。minSize是最小人脸尺寸设置得过小如 30×30会放大噪声检测框设置得过大则离摄像头远的人脸直接检测不到。项目在实际运行时minSize(80, 80)在 640×480 画面上能覆盖 1.5 米到 3 米范围的半身距离。提示排错时先确认检测框是否稳定。如果框在脸部周围抖动或频繁消失优先把minNeighbors从 5 调到 7不要急着动scaleFactor。2.3 LBPH 识别器的参数含义与置信度输出检测到人脸后接下来做的是灰度化、调整到统一尺寸再送入 LBPH 识别器。源码中常见的初始化方式如下recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 )这几个参数的含义分别是radius表示邻域半径半径越大覆盖的纹理范围越大对光照变化的鲁棒性更好但局部细节会丢失neighbors是采样点数量8 是 OpenCV 默认值增大到 12 能提升特征区分度但特征维度也上升grid_x和grid_y是把人脸分成 8×8 的网格每个网格单独统计直方图再拼接网格越多空间信息保留得越完整但过度增大容易把同一人脸在不同表情下的差异也放大。识别阶段调用predictlabel, confidence recognizer.predict(face_resized)返回的label是注册时给员工设置的 IDconfidence是当前人脸与注册特征之间的距离值。LBPH 的置信度阈值的经验区间如下表置信度范围可靠性建议处理0 ~ 50高度可靠直接记为有效识别50 ~ 80基本可靠可识别但需关注误判80 ~ 120存疑结合二次验证或丢弃 120不可靠视为未识别LBPH 的置信度不是一个严格的概率值而是基于直方图距离换算出来的拿到后要结合具体场景设置阈值。如果阈值设成 60意味着 confidence 60 时全部判定为未知人员。项目里考勤识别阈值通常落在 50 到 70 之间太严会导致同一员工换个角度就打卡失败太松则会出现误打。后面第 4 章会给出具体的调参和写入逻辑。3. 源码结构与启动流程从 venv 环境到第一张打卡记录3.1 项目里几个容易被忽视的关键文件解压后第一眼看到的是activate.bat、deactivate.bat、sysconfig.cfg、pyvenv.cfg这几个文件。它们不是项目功能代码而是 Python 虚拟环境的一部分说明项目作者已经把依赖环境整体打进去了。pyvenv.cfg记录了解释器路径和版本号sysconfig.cfg是 Python 编译期的配置备份activate.bat和deactivate.bat则用于激活和退出虚拟环境。拿到项目后不需要手动pip install直接运行激活脚本即可。另外两个 CSV 文件才是项目运行的核心数据文件。feature_all.csv保存所有已注册员工的编号与人脸特征信息训练阶段负责把每个人的人脸图像转成数值向量并持久化logcat.csv是考勤日志每次识别成功后会写入员工 ID、识别时间、识别结果等字段。读懂这两个文件的字段结构是后续做报表和二次开发的基础。3.2 启动项目的完整命令序列在 Windows 上部署项目的标准流程如下cd 项目目录 venv\Scripts\activate.bat python train.py python attendance.py deactivatevenv\Scripts\activate.bat激活虚拟环境激活后命令行提示符前会显示(venv)。train.py负责读取已采集的人脸图像或特征文件训练识别器并生成模型文件。attendance.py是主程序打开摄像头进行实时识别命中注册员工后把考勤记录追加写入logcat.csv。如果最终不想保留环境deactivate退出即可项目本身不依赖这个环境换成自己的 Python 3.7 环境也可以只要装上 opencv-contrib-python、numpy、pandas 就能跑。3.3 环境问题排查路径最常见的问题在 cv2 导入阶段。如果直接import cv2报ModuleNotFoundError: No module named cv2大概率是当前环境中没有安装正确版本的 OpenCV。毕设项目里用到cv2.face子模块必须安装opencv-contrib-python常规的opencv-python包不包含face模块pip install opencv-contrib-python如果激活项目自带的 venv 后仍然提示缺少依赖检查activate.bat中VIRTUAL_ENV路径是否指向了正确的目录有些项目在打包后路径深度发生变化虚拟环境中的路径配置失效此时用python -c import sys; print(sys.prefix)确认解释器是否真的来自 venv。注意不要混用opencv-python和opencv-contrib-python这两个包会同时覆盖cv2目录卸载一个再装另一个才能避免运行时崩溃。4. 核心实现人脸注册、实时识别与日志写入逻辑4.1 人脸注册采集样本与训练识别器考勤系统的第一步是把员工人脸“教会”给识别器。注册阶段通常是让员工正对摄像头采集多张不同角度的照片然后统一转为灰度图并调整到固定尺寸再写进feature_all.csv最后训练生成 LBPH 模型。训练脚本的核心部分长这样import cv2 import numpy as np import pandas as pd faces [] labels [] df pd.read_csv(feature_all.csv) for _, row in df.iterrows(): # img_path 保存人脸图片路径label 是员工唯一 ID img cv2.imread(row[img_path], cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (200, 200)) faces.append(img) labels.append(row[label]) recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(labels)) recognizer.save(attendance_model.yml)代码的逻辑是先把 CSV 中记录的图片逐一读入、缩放再调用train拟合特征模型最终保存为attendance_model.yml供识别阶段加载。现实情况中单个文件夹下所有图片属于同一个员工时也可以用遍历目录的方式替代 CSV但使用feature_all.csv的一个优势是可以直接在文件里维护员工 ID 与图片的对应关系新增员工时不需要改代码。4.2 实时识别流程与考勤记录去重主程序attendance.py在启动后循环读取摄像头画面每一帧内完成检测到识别到记录三个动作然后在画面中叠加员工信息框。核心循环如下import cv2 import datetime import csv recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(attendance_model.yml) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) cap cv2.VideoCapture(0) last_punch {} while True: ret, frame cap.read() 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: face cv2.resize(gray[y:yh, x:xw], (200, 200)) label, confidence recognizer.predict(face) if confidence 70: now datetime.datetime.now() # 同一个员工 30 分钟内不重复打卡 if label not in last_punch or (now - last_punch[label]).seconds 1800: with open(logcat.csv, a, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([label, now.strftime(%Y-%m-%d %H:%M:%S), round(confidence, 2)]) last_punch[label] now cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.putText(frame, fID:{label}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) else: cv2.rectangle(frame, (x, y), (xw, yh), (0, 0, 255), 2) cv2.putText(frame, Unknown, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2) cv2.imshow(Attendance, frame) if cv2.waitKey(1) 0xFF ord(q): break这段代码把识别后的处理策略写在问题上。last_punch字典维护了每个员工的最近一次打卡时间当同一张脸在 30 分钟内再次出现时不再重复写入logcat.csv防止员工站在摄像头前一分钟被记录几十次。logcat.csv的每条记录包含员工 ID、打卡时间和置信度三个字段结构简单直接支援后面做日报或月报。4.3 置信度阈值怎么调才能少误判实际运行中阈值 70 并不是固定答案。不同摄像头的光学素质、室内光照条件、员工是否戴眼镜都会影响 LBPH 模型输出的置信度分布。通常的做法是在项目跑通后让一个员工在正常工位坐姿下测试 20 次把这 20 次的 confidence 值打出来取一个上限。比如识别结果全部在 55 到 85 之间阈值就定在 85 附近如果偶发超过 100就需要回看是不是注册图片太少或者训练时图片里混入了背景噪声。另外注意一点LBPH 对裁剪框的内容高度敏感。如果detectMultiScale检测到的裁剪区域包含了脖子、衣领或背景特征直方图会被无关纹理干扰导致同一员工每次识别出的 confidence 波动很大。注册阶段采集图片时尽量让员工面部占满画面下巴以下不保留过多区域训练集和识别时的人脸裁切比例保持一致置信度的稳定性会有肉眼可见的提升。5. 基于 logcat.csv 的考勤统计技巧与上线边界5.1 用 pandas 快速生成日考勤统计表logcat.csv里每一行是一次有效识别但直接打开文件看并不能回答“今天谁没打卡”这个问题。用 pandas 做一次聚合查询就能生成日报import pandas as pd df pd.read_csv(logcat.csv, names[emp_id, time, confidence]) df[time] pd.to_datetime(df[time]) df[date] df[time].dt.date df[hour] df[time].dt.hour daily ( df.groupby([emp_id, date]) .agg( first_punch(time, min), last_punch(time, max), count(emp_id, count) ) .reset_index() ) daily[status] daily[first_punch].apply( lambda t: normal if t.hour 9 else late ) print(daily.sort_values([date, emp_id]))该脚本按员工和日期分组取第一次打卡作为上班时间、最后一次作为下班时间count字段表示该员工当天被识别到的不同时段次数。status列用上班时间是否早于 9 点判断是否迟到。这个逻辑配合项目里的logcat.csv使用可以完全满足毕业设计里“考勤统计”这一模块的演示要求。更稳妥的做法是把统计结果导出为独立文件避免每次读取都重复聚合。在生产场景中CSV 也会被替换为 SQLite 或 MySQL但其实数据模型不需要改变只是把pd.read_csv换成 SQL 查询即可。5.2 光线、角度与遮挡的处理建议这套系统对光线变化敏感是所有传统视觉方案的共同短板部署时把工位摄像头放在朝北、避免阳光直射的位置能直接减少 LBPH 特征漂移。员工打卡时保持正视摄像头的角度识别率会显著高于低头刷手机时随手一照。如果某些员工全天佩戴帽子或口罩导致识别失败可以考虑在注册阶段额外采集“佩戴帽子”状态的样本LBPH 对局部遮挡有一定容忍度但前提是该遮挡状态出现在训练集中。5.3 生产环境落地时还需要做的事作为一个毕设项目这套系统在实时识别层面已经跑通了完整闭环但离可直接生产的工程化系统还有几步距离。识别线程与界面绘制线程建议解耦避免摄像头取流阻塞影响 UI 响应。logcat.csv的并发写入在多人同时打卡时会有文件锁竞争换成 SQLite 按行插入会更安全。核心链路没有太大改动的话这几个优化点独立完成也不会引入太多工作量。如果要扩展成多人同时识别可以把detectMultiScale的minNeighbors调低并配合人员间距限制来控制误检。总的来说这个项目的扩展方向已经明确先把 logcat 的统计脚本写好再换存储最后替换识别模型每一步都有独立的验证标准。本文还有配套的精品资源点击获取 Python+OpenCV人脸识别考勤系统：LBPH算法原理与实现
简介基于Python与OpenCV开发的人脸识别员工考勤系统面向高校毕业设计、课程设计与期末大作业场景已获导师指导并通过验收适合计算机、软件工程等专业学生参考或直接使用。资源包共669个文件涵盖501个Python脚本、44个动态库、22个可执行程序以及模型权重、XML配置、图片、CSV日志等辅助文件压缩包约197.57MB目录结构清晰解压后即可运行。项目围绕人脸采集、特征提取、比对识别、考勤记录存储与查询等核心流程展开包含完整的界面与后端逻辑并附带项目文档、数据库文件和说明性文档可帮助快速理解人脸识别技术在员工考勤中的落地方式也便于二次开发与功能扩展。目前已有520人学习下载适合需要快速搭建可演示系统、同时关注代码规范与文档完整性的毕设人群。1. 人脸考勤这个题目为什么值得自己动手拆一遍员工考勤系统几乎是毕业设计里出现频率最高的题目之一但多数实现只是把“打卡”换了个壳子本质还是密码或工号。这套基于 Python OpenCV 的人脸识别考勤系统不一样的地方在于它把“身份确认”这一步真正交给了视觉特征摄像头捕捉人脸OpenCV 的级联分类器完成人脸检测LBPH 算法提取纹理特征并完成身份匹配整个推理过程只靠 CPU 就能跑不需要 GPU也不需要折腾深度学习框架。这对于两类人特别有价值。一类是正在做毕业设计或课程设计的学生这套源码从人脸注册、特征训练到实时识别、考勤记录落盘都串好了直接跑通再改改界面就可以答辩另一类是工作中需要快速验证人脸识别流程的工程师比如给内部小工具加一个刷脸签到功能用 OpenCV 这套方案比引一个几十 MB 的深度学习推理引擎要轻得多。后端也没有引入复杂依赖识别记录直接写在 CSV 里改造空间很清晰。下面从识别链路到源码结构逐层拆开讲。2. 识别链路的核心OpenCV 人脸检测与 LBPH 特征匹配2.1 什么是 LBPH为什么这套毕业设计选它LBPHLocal Binary Pattern Histograms局部二值模式直方图是一种传统人脸识别算法不依赖神经网络。它的思路是把人脸图像划分成若干小区域每个像素和邻域像素比较大小关系生成一个局部二值码再统计成直方图作为该人脸的特征。识别时将当前人脸的特征与已注册的人脸特征做距离计算距离越小越可能是同一个人。这个项目选 LBPH 而不是深度学习方案主要出于三个现实约束。第一毕设和课程设计通常运行在普通笔记本上没有独立 GPULBPH 的推理耗时能控制在毫秒级。第二LBPH 小样本即可工作每人提供 10 到 20 张注册图片就能达到可演示的识别效果而深度学习人脸模型至少需要几百张做微调才可靠。第三OpenCV 的face模块直接封装了 LBPHopencv-contrib-python安装后就能调用代码量比训练一个 CNN 模型少一个数量级。对应到源码里人脸检测用cv2.CascadeClassifier加载 Haar 级联分类器模型人脸识别用cv2.face.LBPHFaceRecognizer_create()创建识别器。整套链路按“检测 → 预处理 → 识别 → 记录”的顺序执行下面把每一环的参数讲清楚。2.2 Haar 级联检测器detectMultiScale 的参数决定了漏检率项目里负责从摄像头帧中找人脸的是一组 Haar 特征级联分类器模型文件一般是haarcascade_frontalface_default.xml。检测时调用detectMultiScale通常可以看到这样一段代码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) )scaleFactor是每次图像缩小的比例系数1.1 表示逐次缩小 10%。调小到 1.05 会显著增加检测窗口的数量提高小尺寸人脸的检出率但每帧耗时也会上升。minNeighbors是候选矩形需要被多少个邻近窗口共同确认才保留的阈值默认 5 左右。调高可以过滤掉大量误检但人脸侧面或轻微遮挡时容易被漏检。minSize是最小人脸尺寸设置得过小如 30×30会放大噪声检测框设置得过大则离摄像头远的人脸直接检测不到。项目在实际运行时minSize(80, 80)在 640×480 画面上能覆盖 1.5 米到 3 米范围的半身距离。提示排错时先确认检测框是否稳定。如果框在脸部周围抖动或频繁消失优先把minNeighbors从 5 调到 7不要急着动scaleFactor。2.3 LBPH 识别器的参数含义与置信度输出检测到人脸后接下来做的是灰度化、调整到统一尺寸再送入 LBPH 识别器。源码中常见的初始化方式如下recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 )这几个参数的含义分别是radius表示邻域半径半径越大覆盖的纹理范围越大对光照变化的鲁棒性更好但局部细节会丢失neighbors是采样点数量8 是 OpenCV 默认值增大到 12 能提升特征区分度但特征维度也上升grid_x和grid_y是把人脸分成 8×8 的网格每个网格单独统计直方图再拼接网格越多空间信息保留得越完整但过度增大容易把同一人脸在不同表情下的差异也放大。识别阶段调用predictlabel, confidence recognizer.predict(face_resized)返回的label是注册时给员工设置的 IDconfidence是当前人脸与注册特征之间的距离值。LBPH 的置信度阈值的经验区间如下表置信度范围可靠性建议处理0 ~ 50高度可靠直接记为有效识别50 ~ 80基本可靠可识别但需关注误判80 ~ 120存疑结合二次验证或丢弃 120不可靠视为未识别LBPH 的置信度不是一个严格的概率值而是基于直方图距离换算出来的拿到后要结合具体场景设置阈值。如果阈值设成 60意味着 confidence 60 时全部判定为未知人员。项目里考勤识别阈值通常落在 50 到 70 之间太严会导致同一员工换个角度就打卡失败太松则会出现误打。后面第 4 章会给出具体的调参和写入逻辑。3. 源码结构与启动流程从 venv 环境到第一张打卡记录3.1 项目里几个容易被忽视的关键文件解压后第一眼看到的是activate.bat、deactivate.bat、sysconfig.cfg、pyvenv.cfg这几个文件。它们不是项目功能代码而是 Python 虚拟环境的一部分说明项目作者已经把依赖环境整体打进去了。pyvenv.cfg记录了解释器路径和版本号sysconfig.cfg是 Python 编译期的配置备份activate.bat和deactivate.bat则用于激活和退出虚拟环境。拿到项目后不需要手动pip install直接运行激活脚本即可。另外两个 CSV 文件才是项目运行的核心数据文件。feature_all.csv保存所有已注册员工的编号与人脸特征信息训练阶段负责把每个人的人脸图像转成数值向量并持久化logcat.csv是考勤日志每次识别成功后会写入员工 ID、识别时间、识别结果等字段。读懂这两个文件的字段结构是后续做报表和二次开发的基础。3.2 启动项目的完整命令序列在 Windows 上部署项目的标准流程如下cd 项目目录 venv\Scripts\activate.bat python train.py python attendance.py deactivatevenv\Scripts\activate.bat激活虚拟环境激活后命令行提示符前会显示(venv)。train.py负责读取已采集的人脸图像或特征文件训练识别器并生成模型文件。attendance.py是主程序打开摄像头进行实时识别命中注册员工后把考勤记录追加写入logcat.csv。如果最终不想保留环境deactivate退出即可项目本身不依赖这个环境换成自己的 Python 3.7 环境也可以只要装上 opencv-contrib-python、numpy、pandas 就能跑。3.3 环境问题排查路径最常见的问题在 cv2 导入阶段。如果直接import cv2报ModuleNotFoundError: No module named cv2大概率是当前环境中没有安装正确版本的 OpenCV。毕设项目里用到cv2.face子模块必须安装opencv-contrib-python常规的opencv-python包不包含face模块pip install opencv-contrib-python如果激活项目自带的 venv 后仍然提示缺少依赖检查activate.bat中VIRTUAL_ENV路径是否指向了正确的目录有些项目在打包后路径深度发生变化虚拟环境中的路径配置失效此时用python -c import sys; print(sys.prefix)确认解释器是否真的来自 venv。注意不要混用opencv-python和opencv-contrib-python这两个包会同时覆盖cv2目录卸载一个再装另一个才能避免运行时崩溃。4. 核心实现人脸注册、实时识别与日志写入逻辑4.1 人脸注册采集样本与训练识别器考勤系统的第一步是把员工人脸“教会”给识别器。注册阶段通常是让员工正对摄像头采集多张不同角度的照片然后统一转为灰度图并调整到固定尺寸再写进feature_all.csv最后训练生成 LBPH 模型。训练脚本的核心部分长这样import cv2 import numpy as np import pandas as pd faces [] labels [] df pd.read_csv(feature_all.csv) for _, row in df.iterrows(): # img_path 保存人脸图片路径label 是员工唯一 ID img cv2.imread(row[img_path], cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (200, 200)) faces.append(img) labels.append(row[label]) recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(labels)) recognizer.save(attendance_model.yml)代码的逻辑是先把 CSV 中记录的图片逐一读入、缩放再调用train拟合特征模型最终保存为attendance_model.yml供识别阶段加载。现实情况中单个文件夹下所有图片属于同一个员工时也可以用遍历目录的方式替代 CSV但使用feature_all.csv的一个优势是可以直接在文件里维护员工 ID 与图片的对应关系新增员工时不需要改代码。4.2 实时识别流程与考勤记录去重主程序attendance.py在启动后循环读取摄像头画面每一帧内完成检测到识别到记录三个动作然后在画面中叠加员工信息框。核心循环如下import cv2 import datetime import csv recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(attendance_model.yml) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) cap cv2.VideoCapture(0) last_punch {} while True: ret, frame cap.read() 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: face cv2.resize(gray[y:yh, x:xw], (200, 200)) label, confidence recognizer.predict(face) if confidence 70: now datetime.datetime.now() # 同一个员工 30 分钟内不重复打卡 if label not in last_punch or (now - last_punch[label]).seconds 1800: with open(logcat.csv, a, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([label, now.strftime(%Y-%m-%d %H:%M:%S), round(confidence, 2)]) last_punch[label] now cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.putText(frame, fID:{label}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) else: cv2.rectangle(frame, (x, y), (xw, yh), (0, 0, 255), 2) cv2.putText(frame, Unknown, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2) cv2.imshow(Attendance, frame) if cv2.waitKey(1) 0xFF ord(q): break这段代码把识别后的处理策略写在问题上。last_punch字典维护了每个员工的最近一次打卡时间当同一张脸在 30 分钟内再次出现时不再重复写入logcat.csv防止员工站在摄像头前一分钟被记录几十次。logcat.csv的每条记录包含员工 ID、打卡时间和置信度三个字段结构简单直接支援后面做日报或月报。4.3 置信度阈值怎么调才能少误判实际运行中阈值 70 并不是固定答案。不同摄像头的光学素质、室内光照条件、员工是否戴眼镜都会影响 LBPH 模型输出的置信度分布。通常的做法是在项目跑通后让一个员工在正常工位坐姿下测试 20 次把这 20 次的 confidence 值打出来取一个上限。比如识别结果全部在 55 到 85 之间阈值就定在 85 附近如果偶发超过 100就需要回看是不是注册图片太少或者训练时图片里混入了背景噪声。另外注意一点LBPH 对裁剪框的内容高度敏感。如果detectMultiScale检测到的裁剪区域包含了脖子、衣领或背景特征直方图会被无关纹理干扰导致同一员工每次识别出的 confidence 波动很大。注册阶段采集图片时尽量让员工面部占满画面下巴以下不保留过多区域训练集和识别时的人脸裁切比例保持一致置信度的稳定性会有肉眼可见的提升。5. 基于 logcat.csv 的考勤统计技巧与上线边界5.1 用 pandas 快速生成日考勤统计表logcat.csv里每一行是一次有效识别但直接打开文件看并不能回答“今天谁没打卡”这个问题。用 pandas 做一次聚合查询就能生成日报import pandas as pd df pd.read_csv(logcat.csv, names[emp_id, time, confidence]) df[time] pd.to_datetime(df[time]) df[date] df[time].dt.date df[hour] df[time].dt.hour daily ( df.groupby([emp_id, date]) .agg( first_punch(time, min), last_punch(time, max), count(emp_id, count) ) .reset_index() ) daily[status] daily[first_punch].apply( lambda t: normal if t.hour 9 else late ) print(daily.sort_values([date, emp_id]))该脚本按员工和日期分组取第一次打卡作为上班时间、最后一次作为下班时间count字段表示该员工当天被识别到的不同时段次数。status列用上班时间是否早于 9 点判断是否迟到。这个逻辑配合项目里的logcat.csv使用可以完全满足毕业设计里“考勤统计”这一模块的演示要求。更稳妥的做法是把统计结果导出为独立文件避免每次读取都重复聚合。在生产场景中CSV 也会被替换为 SQLite 或 MySQL但其实数据模型不需要改变只是把pd.read_csv换成 SQL 查询即可。5.2 光线、角度与遮挡的处理建议这套系统对光线变化敏感是所有传统视觉方案的共同短板部署时把工位摄像头放在朝北、避免阳光直射的位置能直接减少 LBPH 特征漂移。员工打卡时保持正视摄像头的角度识别率会显著高于低头刷手机时随手一照。如果某些员工全天佩戴帽子或口罩导致识别失败可以考虑在注册阶段额外采集“佩戴帽子”状态的样本LBPH 对局部遮挡有一定容忍度但前提是该遮挡状态出现在训练集中。5.3 生产环境落地时还需要做的事作为一个毕设项目这套系统在实时识别层面已经跑通了完整闭环但离可直接生产的工程化系统还有几步距离。识别线程与界面绘制线程建议解耦避免摄像头取流阻塞影响 UI 响应。logcat.csv的并发写入在多人同时打卡时会有文件锁竞争换成 SQLite 按行插入会更安全。核心链路没有太大改动的话这几个优化点独立完成也不会引入太多工作量。如果要扩展成多人同时识别可以把detectMultiScale的minNeighbors调低并配合人员间距限制来控制误检。总的来说这个项目的扩展方向已经明确先把 logcat 的统计脚本写好再换存储最后替换识别模型每一步都有独立的验证标准。本文还有配套的精品资源点击获取