当前位置：首页 > news >正文

CS课程项目设计17：基于Face_Recognition人脸识别库的课堂签到系统

news 2025/9/20 10:46:23

本专栏上一篇文章实现了基于MTCNN人脸识别库的课堂签到系统，具体内容如下所示：

CS课程项目设计16：基于MTCNN人脸识别库的课堂签到系统-CSDN博客https://blog.csdn.net/weixin_36431280/article/details/151022273?spm=1001.2014.3001.5501

这篇文章继续按照人脸识别库的发展脉络，实现基于Face_Recognition人脸识别库的课堂签到系统

1. 研究背景

在当前教育信息化快速推进的背景下，传统课堂签到方式的弊端日益凸显。以高校为例，一堂 100 人的公共课采用点名方式需耗时 5-10 分钟，占课堂总时长的 5%-10%；纸质签到表在课后统计时平均需消耗教师 15-20 分钟 / 班级，且存在代签、漏签等管理漏洞。据教育部相关调研数据显示，传统签到方式的错误率（含代签、误记）可达 15%-20%，严重影响教学管理效率。

随着计算机视觉技术的成熟，人脸识别技术已在门禁、支付等场景实现商业化落地，其核心优势在于生物特征的唯一性和识别过程的非接触性。将该技术应用于课堂签到场景，可实现签到流程的全自动化，从根本上解决传统方式的效率问题和作弊风险。在此背景下，开发基于 face_recognition 库的轻量化课堂签到系统，既能满足中小规模教学场景的实际需求，又能降低学校的技术部署成本，具有显著的应用价值。

2. 研究目的

本系统旨在通过人脸识别技术构建一套完整的课堂签到生态，实现教学管理的智能化升级，具体目标包括：

自动化签到：通过摄像头实时采集学生面部信息，自动完成身份核验与签到记录，替代传统人工点名方式，将课堂签到时间从数分钟缩短至数十秒
防止代签行为：基于人脸生物特征的唯一性，确保签到者为本人，解决传统签到中代签、漏签的问题
便捷的学生管理：支持添加、更新、删除学生信息及人脸数据，适应班级学生变动需求
签到数据统计：自动记录签到时间、状态等信息，支持按日期查询签到记录，减少教师统计工作量
友好的交互界面：提供直观的操作界面，支持实时显示视频流、签到状态及统计数据，降低使用门槛

3. 技术方案

3.1 核心技术栈

(1) face_recognition

基于 dlib 库开发的人脸识别工具包，封装了人脸检测、特征提取和匹配的核心算法。相比 OpenCV 自带的 Haar 级联检测器，其采用的 HOG + 线性 SVM 算法具有更高的人脸检测准确率（尤其在侧脸和遮挡场景下）；128 维特征向量的提取模型经过百万级人脸数据训练，确保跨场景的识别稳定性。

(2) OpenCV (cv2)

负责视频流处理的底层支持，包括：

从摄像头设备（默认调用笔记本内置摄像头，支持外接 USB 摄像头）捕获实时帧（默认 30 帧 / 秒）
图像格式转换（BGR→RGB，适配 face_recognition 的输入要求）
人脸框绘制、文本叠加等可视化操作（如在识别到的人脸周围绘制绿色矩形框，并标注姓名学号）

(3) SQLite3

轻量级嵌入式数据库，无需独立服务器进程即可运行，适合存储中小规模签到数据：

students表：存储学生基础信息（自增 ID、姓名、唯一学号、人脸图片路径），通过student_id建立唯一索引确保数据唯一性
attendance表：记录签到详情（自增 ID、关联学号、日期、时间、状态），通过外键关联students表实现数据完整性约束
支持事务操作（如添加学生时同步写入人脸路径和基础信息），确保数据一致性

(4) Tkinter

Python 标准 GUI 库，用于构建交互界面：

采用帧（Frame）布局管理各功能区域（视频显示区、控制按钮区、统计面板等），确保界面响应式调整
实现按钮点击、滑块调节等事件绑定（如 "开始签到" 按钮触发摄像头初始化，阈值滑块实时更新匹配精度）
通过Listbox和Label组件动态展示签到状态和统计数据，提升用户感知效率

(5) pickle

序列化存储人脸特征向量：

将已知学生的 128 维特征编码、姓名、学号打包存储为face_recognition_encodings.pkl文件
避免每次启动系统时重新从图片提取特征（可节省 3-5 秒初始化时间）
当学生信息更新时自动删除旧文件，确保特征数据时效性

3.2 face_recognition核心运行机制

(1) 人脸检测（定位）

采用HOG（方向梯度直方图）特征提取算法：先将图像灰度化，然后计算每个像素点的梯度方向和大小，通过滑动窗口在图像中搜索符合人脸特征的区域
输出人脸边界框坐标（top, right, bottom, left），即人脸在图像中的矩形位置，支持单帧多个人脸同时检测（最多可识别 64 张人脸 / 帧）
优化：通过图像金字塔技术适配不同大小的人脸（如远景小人脸和近景大人脸）

核心代码如下所示：

# 转换为RGB格式（face_recognition需要RGB）
rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)# 检测人脸位置
face_locations = face_recognition.face_locations(rgb_frame)

(2) 特征提取（编码）

基于深度学习模型（dlib 训练的 ResNet-34 网络），将检测到的人脸区域转换为 128 维的浮点数向量（特征编码）
编码过程：先对人脸进行对齐（基于 68 个特征点定位双眼、鼻尖等关键部位，统一人脸角度和尺寸），再通过神经网络提取深层特征
特性：同一人不同姿态、光线条件下的编码差异极小，不同人之间的编码差异显著（类内距离 < 类间距离）

核心代码如下所示：

# 转换为RGB格式（face_recognition需要RGB）
rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)# 检测人脸位置
face_locations = face_recognition.face_locations(rgb_frame)# 提取人脸编码
face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)

(3) 人脸匹配（识别）

计算待识别人脸编码与已知编码的欧氏距离：距离越小，相似度越高
设定阈值（系统默认 0.6，可通过滑块调节）：距离≤阈值则判定为同一人，否则为未知
优化策略：当存在多个匹配结果时，选择距离最小的作为最佳匹配，提升识别准确率

核心代码如下所示：

# 处理检测到的人脸
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):# 与已知人脸比较name = "未知人员"student_id = ""threshold = self.confidence_var.get()  # 获取阈值if self.known_face_encodings:# 计算匹配度matches = face_recognition.compare_faces(self.known_face_encodings, face_encoding,tolerance=threshold)face_distances = face_recognition.face_distance(self.known_face_encodings, face_encoding)# 找到最佳匹配if True in matches:first_match_index = matches.index(True)name = self.known_face_names[first_match_index]student_id = self.known_face_ids[first_match_index]

以上代码对应开始签到的功能，可视化页面如下所示：

左图是签到成功的页面，右图是签到失败的页面。

签到完成后，点击结束签到，回到系统主页面，会发现出勤统计情况也会更新了，可视化页面如下所示：

(4) 性能优化

采用批量处理：对视频流按帧间隔（100ms / 帧）采样处理，平衡实时性与计算量
特征缓存：将已知人脸编码加载到内存，避免重复 IO 操作
算法优化：通过 SIMD 指令加速距离计算，在普通 CPU 上可实现 10-15 张人脸 / 秒的识别速度

4. 实现流程

4.1 系统初始化

数据库初始化：创建students和attendance表，启用外键约束确保数据关联完整性
人脸特征加载：优先从face_recognition_encodings.pkl加载特征数据，若文件不存在则遍历face_images文件夹，调用face_recognition.face_encodings()提取特征并缓存
UI 组件渲染：通过 Tkinter 构建多区域界面，包括 640×480 像素的视频显示区、阈值调节滑块、功能按钮组（开始 / 结束签到、学生管理）、统计面板和签到状态列表

4.2 签到执行阶段

视频捕获：调用cv2.VideoCapture(0)开启摄像头，通过process_video()函数循环读取帧数据
人脸处理：子线程调用process_face_recognition()，对每帧执行：
① face_recognition.face_locations()定位人脸
② face_recognition.face_encodings()提取特征
③ face_recognition.compare_faces()与已知特征匹配
签到记录：首次匹配成功时，通过sqlite3写入当前日期时间（格式：YYYY-MM-DD和HH:MM:SS），并在 UI 列表中显示 "姓名 (学号): 时间"
实时统计：每 3 秒调用calculate_attendance_stats()，对比数据库总人数与已签到人数，更新实到 / 未到数据

实时统计函数calculate_attendance_stats()的核心代码如下所示：

def calculate_attendance_stats(self):"""计算并更新出勤统计信息"""# 获取所有学生信息conn = self.create_db_connection()c = conn.cursor()c.execute("SELECT name, student_id FROM students")all_students = c.fetchall()  # 列表形式: [(name1, id1), (name2, id2), ...]conn.close()total_students = len(all_students)present_students = len(self.attendance_records)absent_students = total_students - present_students# 计算未到学生present_ids = set()for record in self.attendance_records.keys():# 从记录中提取学号 (格式: "姓名(学号)")if "(" in record and ")" in record:student_id = record.split("(")[1].split(")")[0]present_ids.add(student_id)# 找出未到学生self.absent_students = [name for name, student_id in all_studentsif student_id not in present_ids]# 更新未到学生列表self.absent_listbox.delete(0, tk.END)for name in self.absent_students:self.absent_listbox.insert(tk.END, name)

4.3 学生管理阶段

添加学生：通过子窗口采集姓名、学号，调用摄像头拍摄人脸，检测到有效人脸后保存至face_images文件夹，同时写入数据库并更新特征缓存
更新学生：支持修改姓名或重新拍摄人脸，操作后自动删除旧特征文件并重建缓存
删除学生：级联删除数据库记录、本地人脸图片及关联签到数据，确保数据一致性

添加学生的核心代码如下所示：

def add_student(self):"""添加新学生"""# 拍照按钮def capture_face():name = name_entry.get().strip()student_id = id_entry.get().strip()if not name or not student_id:messagebox.showerror("错误", "请输入姓名和学号")return# 创建新的数据库连接conn = self.create_db_connection()c = conn.cursor()# 检查学号是否已存在c.execute("SELECT * FROM students WHERE student_id=?", (student_id,))if c.fetchone():messagebox.showerror("错误", "该学号已存在")conn.close()return# 捕获人脸cap = cv2.VideoCapture(0)ret, frame = cap.read()cap.release()if not ret:messagebox.showerror("错误", "无法访问摄像头")conn.close()return# 检测人脸results = self.detector.detect_faces(frame)if not results or results[0]['confidence'] < 0.8:messagebox.showerror("错误", "未检测到清晰人脸，请重试")conn.close()return# 保存人脸图像if not os.path.exists("face_images"):os.makedirs("face_images")image_path = f"face_images/{student_id}.jpg"cv2.imwrite(image_path, frame)# 保存到数据库c.execute("INSERT INTO students (name, student_id, face_image_path) VALUES (?, ?, ?)",(name, student_id, image_path))conn.commit()conn.close()  # 关闭连接

添加学生的可视化图片如下图所示：

更新学生的核心代码如下所示：

def update_student(self):"""更新学生信息 - 添加了查询时显示学生图片功能"""# 更新按钮def update_student_info():# 检查是否已查询到有效学生if not current_student["student_id"]:messagebox.showerror("错误", "请先查询并确认学生信息")returnstudent_id = current_student["student_id"]new_name = name_entry.get().strip()if not new_name:messagebox.showerror("错误", "请输入新姓名")returnconn = self.create_db_connection()c = conn.cursor()# 捕获新的人脸（可选）update_face = messagebox.askyesno("更新人脸", "是否需要更新人脸照片？")image_path = current_student["image_path"]  # 默认使用原图片路径if update_face:# 捕获人脸cap = cv2.VideoCapture(0)ret, frame = cap.read()cap.release()if not ret:messagebox.showerror("错误", "无法访问摄像头")conn.close()return# 使用Face_Recognition检测人脸results = self.detector.detect_faces(frame)if not results or results[0]['confidence'] < 0.8:messagebox.showerror("错误", "未检测到清晰人脸，请重试")conn.close()return# 保存人脸图像if not os.path.exists("face_images"):os.makedirs("face_images")image_path = f"face_images/{student_id}.jpg"cv2.imwrite(image_path, frame)# 更新数据库c.execute("UPDATE students SET name=?, face_image_path=? WHERE student_id=?",(new_name, image_path, student_id))conn.commit()conn.close()

更新学生的可视化图片如下图所示：

左图是输入错误学号，提醒未找到该学生；右图则是输入正确学号，查询到学生姓名、学号、注册图片。

删除学生的核心代码如下所示：

def delete_student(self):"""删除学生信息 - 添加了查询和图片显示功能"""# 删除按钮def confirm_delete():# 检查是否已查询到有效学生if not current_student["student_id"]:messagebox.showerror("错误", "请先查询并确认学生信息")return# 确认删除confirm = messagebox.askyesno("确认删除",f"确定要删除学生 {current_student['name']} ({current_student['student_id']}) 吗？\n此操作不可恢复！")if not confirm:returnconn = self.create_db_connection()c = conn.cursor()# 删除学生记录c.execute("DELETE FROM students WHERE student_id=?", (current_student["student_id"],))# 删除相关的人脸图片if current_student["image_path"] and os.path.exists(current_student["image_path"]):try:os.remove(current_student["image_path"])except Exception as e:print(f"删除人脸图片失败: {e}")messagebox.showwarning("警告", "学生记录已删除，但人脸图片删除失败")conn.commit()conn.close()

删除学生的可视化图片如下图所示：