人脸识别考勤系统实现教程：基于Face-Recognition、OpenCV与SQLite

引言

随着人工智能技术的飞速发展，人脸识别技术已广泛应用于安防、金融、教育等多个领域。本文将带领大家利用Python的face-recognition库、OpenCV和SQLite数据库，从零开始构建一个具备异常报警功能的人脸识别考勤系统。该系统能够实时检测视频流中的人脸，与预存数据库进行比对，自动记录考勤信息，并在检测到未注册人员时触发报警。通过本文的学习，你将掌握以下技能：

• 人脸特征提取与数据库构建
• 实时视频流处理与人脸识别
• 考勤记录管理与异常报警
• 模型优化与部署基础

技术栈简介

1. Python：作为核心编程语言，提供丰富的库支持。
2. face-recognition：基于dlib的深度学习模型，用于高效的人脸识别。
3. OpenCV：开源计算机视觉库，处理图像和视频流。
4. SQLite：轻量级数据库，用于存储人脸特征及考勤记录。

环境搭建

首先，确保安装以下依赖库：

bash复制代码

pip install face-recognition opencv-python numpy sqlite3

一、构建人脸特征数据库

步骤1：采集人脸图像

1. 创建dataset文件夹，按员工姓名建立子文件夹（如Alice、Bob），每个子文件夹内存放该员工的清晰正面照片（至少5张）。

步骤2：提取人脸特征并存储

import face_recognition
import sqlite3
import os
 
# 连接SQLite数据库
conn = sqlite3.connect('attendance.db')
c = conn.cursor()
 
# 创建表存储人脸特征
c.execute('''CREATE TABLE IF NOT EXISTS faces
             (id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT, encoding BLOB)''')
 
# 遍历dataset文件夹，提取人脸特征
def load_faces():
    for root, dirs, files in os.walk('dataset'):
        for dir_name in dirs:
            person_dir = os.path.join(root, dir_name)
            for file in os.listdir(person_dir):
                file_path = os.path.join(person_dir, file)
                image = face_recognition.load_image_file(file_path)
                encodings = face_recognition.face_encodings(image)
                
                if len(encodings) > 0:
                    encoding = encodings[0]
                    c.execute("INSERT INTO faces (name, encoding) VALUES (?, ?)", 
                              (dir_name, sqlite3.Binary(encoding.tobytes())))
    conn.commit()
 
load_faces()
conn.close()

二、实时视频流处理

步骤1：捕获视频流

import cv2
 
video_capture = cv2.VideoCapture(0)  # 使用默认摄像头

步骤2：实时人脸识别

import numpy as np
 
known_face_encodings = []
known_face_names = []
 
# 从数据库加载已知人脸数据
conn = sqlite3.connect('attendance.db')
c = conn.cursor()
c.execute("SELECT name, encoding FROM faces")
rows = c.fetchall()
 
for row in rows:
    name = row[0]
    encoding = np.frombuffer(row[1], dtype=np.float64)
    known_face_encodings.append(encoding)
    known_face_names.append(name)
 
conn.close()
 
while True:
    ret, frame = video_capture.read()
    
    # 调整帧大小以提高处理速度
    small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)
    
    # 转换颜色空间
    rgb_small_frame = small_frame[:, :, ::-1]
    
    # 查找所有人脸位置及特征
    face_locations = face_recognition.face_locations(rgb_small_frame)
    face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)
    
    # 遍历检测到的人脸
    for face_encoding in face_encodings:
        matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
        name = "Unknown"
        
        # 使用阈值提高识别准确性
        face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
        best_match_index = np.argmin(face_distances)
        
        if matches[best_match_index] and face_distances[best_match_index] < 0.6:
            name = known_face_names[best_match_index]
            
        # 在画面上标注识别结果
        top, right, bottom, left = face_locations[0]
        top *= 4
        right *= 4
        bottom *= 4
        left *= 4
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
        cv2.putText(frame, name, (left + 6, bottom - 6), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)
    
    cv2.imshow('Video', frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
 
video_capture.release()
cv2.destroyAllWindows()

三、考勤记录系统开发

步骤1：创建考勤表

CREATE TABLE attendance (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    name TEXT,
    timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
);

步骤2：集成考勤记录功能

修改实时识别代码，添加考勤记录逻辑：

# 在识别到已知人脸后添加
if name != "Unknown":
    conn = sqlite3.connect('attendance.db')
    c = conn.cursor()
    c.execute("INSERT INTO attendance (name) VALUES (?)", (name,))
    conn.commit()
    conn.close()

四、异常报警与邮件通知

步骤1：定义异常规则

例如：非工作时间段考勤、连续多次未识别到人脸等。

步骤2：实现邮件通知

import smtplib
from email.mime.text import MIMEText
 
def send_alert(message):
    msg = MIMEText(message)
    msg['Subject'] = '考勤异常警报'
    msg['From'] = '[email protected]'
    msg['To'] = '[email protected]'
    
    with smtplib.SMTP('smtp.example.com', 587) as server:
        server.login('[email protected]', 'your_password')
        server.sendmail('[email protected]', ['[email protected]'], msg.as_string())
 
# 在检测到未知人脸时触发报警
if name == "Unknown":
    send_alert("检测到未注册人员！")

五、模型优化与部署

优化策略

1. 算法优化：使用更高效的模型（如MobileFaceNet）
2. 硬件加速：利用GPU加速计算
3. 多线程处理：分离视频采集与识别任务

部署建议

1. 容器化部署：使用Docker打包应用
2. API服务化：将核心功能封装为REST API
3. 监控集成：添加系统健康检查与日志记录

总结

本文完整展示了基于Python生态构建人脸识别考勤系统的全过程，从数据采集到模型部署，涵盖了计算机视觉应用的典型流程。通过实践，读者不仅掌握了具体技术的实现细节，更能理解系统设计中的权衡与优化思路。该系统可进一步扩展为更复杂的应用场景，如结合门禁控制、体温检测等功能，构建智慧办公解决方案。

希望本文能成为你探索计算机视觉领域的起点，激发更多创新应用的灵感！