当前位置：首页 > news >正文

CS课程项目设计18：基于Insightface人脸识别库的课堂签到系统

news 2025/9/27 9:37:34

本专栏上一篇文章实现了基于Face_Recognition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17：基于Face_Recognition人脸识别库的课堂签到系统-CSDN博客https://blog.csdn.net/weixin_36431280/article/details/151045242?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Insightface人脸识别库的课堂签到系统。

1. 研究背景

随着计算机视觉技术的快速发展，人脸识别技术在身份验证、门禁管理、考勤签到等领域得到了广泛应用。在教育场景中，传统课堂签到方式（如点名、签到表）存在效率低下、易代签等问题，难以满足规模化教学管理的需求。

近年来，基于深度学习的人脸识别算法精度显著提升，为自动化签到系统提供了技术支撑。InsightFace 作为一款开源的深度学习人脸识别工具库，凭借其高效的推理速度和优异的识别精度，成为构建轻量化人脸识别应用的理想选择。在此背景下，开发基于 InsightFace 的课堂人脸签到系统，能够有效提升签到效率，减少人工干预，实现课堂考勤的智能化管理。

2. 研究目的

本系统旨在通过整合人脸识别与数据库技术，构建一套适用于课堂场景的智能化签到解决方案，具体实现目标如下：

2.1 签到效率提升

实现从摄像头启动到完成 50 人班级签到的全流程耗时≤3 分钟，较传统点名方式效率提升 70% 以上。系统支持多学生同时识别（单帧最多可识别 8 张人脸），适应课堂密集人群场景。

2.2 身份验证精准性

通过 InsightFace 的特征提取能力，将误识率（FAR）控制在 0.1% 以下，拒识率（FRR）≤1%。针对课堂常见的光照变化（如靠窗座位逆光）、姿态偏移（低头、侧头）等干扰因素，通过模型优化确保识别稳定性。

2.3 全流程自动化管理

实现 "学生信息录入→人脸采集→实时签到→数据统计→记录查询" 的全流程自动化。例如：教师添加新学生时，系统自动采集人脸图像并生成特征向量；签到结束后，自动生成 Excel 格式的出勤报表，包含学生姓名、学号、签到时间、缺勤标记等字段。

2.4 灵活的学生信息管理

支持批量导入学生信息（通过 CSV 文件），并提供单条信息的增删改功能。例如：转学生加入时，教师可通过 "添加学生" 功能拍摄人脸照片，系统自动关联学号并更新特征库；学生毕业时，删除操作可同步清理人脸图像文件与数据库记录。

2.5 可视化数据统计与追溯

实时展示签到进度（如 "50 人班级，已签到 38 人，未到 12 人"），并以列表形式区分实到 / 未到学生。历史记录支持按日期、班级筛选，教师可查询某学生的月度出勤趋势（如 "张三 3 月出勤率 85%"），数据留存时间≥1 年。

2.6 轻量化部署与易用性

无需 GPU 支持，可在普通教学电脑（i5 处理器 + 8G 内存）上稳定运行，安装包体积≤200MB。UI 界面采用向导式设计，教师通过 "开始签到"" 结束签到 " 两个核心按钮即可完成主要操作，学习成本≤10 分钟。

3. 技术方案

3.1 核心技术栈

(1) InsightFace

功能：提供端到端的人脸识别能力，包含人脸检测、关键点定位、特征提取三大模块。
优势：支持多模型选择（如buffalo_l高精度模型适合实验室场景，buffalo_s轻量模型适合低配置设备），内置 CPU 推理优化（通过 ONNX Runtime 加速），单张人脸特征提取耗时≤100ms。
系统应用：在get_face_encoding方法中调用self.app.get()实现从图像到特征向量的转换，通过face.embedding获取 512 维特征。

(2) OpenCV (cv2)

负责视频帧捕获、图像格式转换、人脸框绘制等底层计算机视觉操作。

通过cv2.VideoCapture(0)调用本地摄像头，支持 640×480 分辨率实时采集；
使用cv2.cvtColor实现 BGR（摄像头默认格式）与 RGB（InsightFace 输入格式）的转换；
通过cv2.rectangle和cv2.putText在视频帧上绘制人脸边界框与识别结果。

(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

3.2 InsightFace核心运行机制

InsightFace 的人脸识别流程基于深度学习模型的流水线处理，核心机制分为三个阶段：

(1) 人脸检测

模型：默认使用 RetinaFace 检测器，基于单阶段目标检测框架，支持多尺度人脸检测（最小可检测 64×64 像素人脸）。
过程：输入 RGB 图像后，模型通过特征金字塔网络（FPN）生成不同尺度的特征图，预测人脸边界框（bbox）、置信度（det_score）和 5 个关键点（左眼、右眼、鼻尖、左嘴角、右嘴角）。
系统应用：在process_face_recognition中过滤置信度低于阈值（默认 0.5）的检测结果，确保仅处理高质量人脸区域。

核心代码如下所示：

# 初始化InsightFace
self.face_app = self.init_insightface()
self.app = self.face_app  # 添加这个属性，解决add_student和update_student中使用self.app的问题# 使用InsightFace检测人脸和提取特征
faces = self.face_app.get(frame)

(2) 人脸预处理与对齐

预处理：对检测到的人脸区域进行裁剪，统一调整为 112×112 像素，并进行亮度归一化（消除光照影响）。
对齐：基于检测到的 5 个关键点，通过仿射变换将人脸校正为标准姿态（双眼水平、鼻尖居中），确保不同姿态的同一人脸特征一致性。
系统隐藏逻辑：InsightFace 的FaceAnalysis类在get()方法中自动完成对齐，无需额外编码实现。

核心代码如下所示：

# 获取人脸位置
bbox = face.bbox.astype(int)
x1, y1, x2, y2 = bbox[0], bbox[1], bbox[2], bbox[3]def get_face_encoding(self, img):"""提取人脸特征编码"""if self.face_app is None:return None# 使用InsightFace检测并提取特征faces = self.face_app.get(img)if faces:return faces[0].embedding  # 返回第一个检测到的人脸的特征向量return None

(3) 特征提取与匹配

特征提取：使用基于 ArcFace 损失函数训练的 ResNet-50 骨干网络，将对齐后的人脸图像映射为 512 维的特征向量（embedding）。该向量具有判别性：同一人不同姿态的向量距离小，不同人向量距离大。
特征匹配：通过计算待识别人脸向量与已知人脸库向量的欧氏距离（阈值默认 1.0），距离小于阈值则判定为同一人。
系统实现：在process_face_recognition中遍历known_face_encodings，找到最小距离对应的学生信息，完成身份识别。

核心代码如下所示：

# 获取人脸特征
encoding = face.embedding# 与已知人脸比较
name = "未知人员"
student_id = ""
min_distance = float('inf')
threshold = self.threshold_var.get()if self.known_face_encodings:# 计算与所有已知人脸的距离for i, known_encoding in enumerate(self.known_face_encodings):# 计算余弦距离distance = 1 - np.dot(encoding, known_encoding)if distance < min_distance and distance < threshold:min_distance = distancename = self.known_face_names[i]student_id = self.known_face_ids[i]

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. 实现流程

4.1 系统初始化

启动时初始化 InsightFace 分析器（self.app = FaceAnalysis(providers=['CPUExecutionProvider'])），配置为 CPU 推理模式并设置检测尺寸为 640×640。
调用init_database创建 SQLite 数据库及两张核心表，通过PRAGMA foreign_keys = ON开启外键约束，确保数据一致性。
执行load_known_faces加载人脸特征：优先读取insightface_encodings.pkl文件，若文件不存在则从数据库读取学生图像路径，逐一提取特征并序列化保存。

其中，初始化FaceAnalysis时，还可以选择不同的模型: buffalo_l, buffalo_s等

def init_insightface(self):"""初始化InsightFace模型"""try:# 初始化FaceAnalysisapp = FaceAnalysis(name='buffalo_l')  # 可以选择不同的模型: buffalo_l, buffalo_s等app.prepare(ctx_id=0, det_size=(640, 640))  # ctx_id=0表示使用CPU，-1表示自动选择return appexcept Exception as e:messagebox.showerror("模型加载错误",f"无法初始化InsightFace模型: {str(e)}\n请确保已安装正确版本的insightface")self.root.after(100, self.root.quit)return None

4.2 UI 界面构建阶段

采用 "左视频、右控制" 的布局：左侧 640×480 区域实时显示摄像头画面及识别结果，右侧分为参数设置（置信度阈值调节）、控制按钮（签到启停）、学生管理（增删改查）、统计展示（实到 / 未到人数）四个功能区。
通过matplotlib.rcParams配置中文字体，确保cv2.putText和 Tkinter 标签的中文正常显示。

4.3 签到执行阶段

点击 "开始签到" 后，系统启动摄像头（cv2.VideoCapture(0)），清空历史签到记录，初始化统计数据。
视频处理采用双线程机制：主线程通过process_video读取帧并更新 UI，子线程通过process_face_recognition异步执行人脸识别。
识别流程：对每帧图像检测人脸→提取特征→与已知库匹配→绘制人脸框与姓名→对新识别学生记录签到时间（写入attendance表）→实时更新签到列表与统计数据。

4.4 学生管理阶段

添加学生：通过弹窗输入姓名和学号，调用摄像头拍摄人脸，检测到清晰人脸（置信度≥0.8）后保存图像至face_images目录，同步写入students表，并删除特征缓存文件触发重新加载。
更新 / 删除学生：通过学号查询信息，支持修改姓名或重新拍摄人脸（更新操作），或彻底删除数据库记录与关联图像文件（删除操作），均同步更新特征库。

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# 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：