基于Python与OpenCV的人脸考勤系统：完整源码+数据库+实战教程

作者：热心市民鹿先生2025.09.23 14:34浏览量：47

简介：本文详细介绍如何使用Python、OpenCV和数据库构建人脸识别考勤系统，包含完整源码、数据库设计及分步教程，适合开发者快速实现项目。

基于Python与OpenCV的人脸考勤系统：完整源码+数据库+实战教程

一、系统背景与核心价值

在数字化转型浪潮下，传统考勤方式（如指纹打卡、IC卡）存在代打卡、设备维护成本高等问题。基于人脸识别的考勤系统通过生物特征唯一性，实现无接触、高精度的身份验证，成为企业、学校等场景的优选方案。本系统结合Python的简洁性、OpenCV的计算机视觉能力及数据库的持久化存储，构建了一套低成本、可扩展的解决方案。

核心优势

  1. 非接触式识别：避免物理接触，符合卫生安全需求。
  2. 高准确性：通过深度学习模型（如Dlib或FaceNet）提升识别率。
  3. 数据可追溯：数据库记录考勤时间、人员信息，支持报表生成。
  4. 低成本部署：仅需普通摄像头和PC即可运行。

二、技术栈与工具准备

1. 开发环境

  • Python 3.8+：主开发语言。
  • OpenCV 4.5+：图像处理与人脸检测。
  • Dlib/FaceNet：人脸特征提取（可选）。
  • SQLite/MySQL：轻量级数据库存储考勤数据。
  • PyQt5/Tkinter：可选GUI界面开发。

2. 依赖库安装

通过pip安装核心库：

  1. pip install opencv-python dlib numpy sqlite3 pandas
  2. # 若使用MySQL
  3. pip install pymysql

三、系统架构设计

1. 功能模块划分

  • 人脸采集模块：注册新用户，存储人脸特征。
  • 人脸识别模块：实时检测并匹配人脸。
  • 数据库模块：管理用户信息与考勤记录。
  • 考勤管理模块：生成报表、查询历史记录。

2. 数据库设计（SQLite示例）

  1. -- 用户表
  2. CREATE TABLE users (
  3.     id INTEGER PRIMARY KEY AUTOINCREMENT,
  4.     name TEXT NOT NULL,
  5.     face_encoding BLOB NOT NULL,  -- 存储人脸特征向量
  6.     register_time DATETIME DEFAULT CURRENT_TIMESTAMP
  7. );
  9. -- 考勤记录表
  10. CREATE TABLE attendance (
  11.     id INTEGER PRIMARY KEY AUTOINCREMENT,
  12.     user_id INTEGER NOT NULL,
  13.     check_in_time DATETIME DEFAULT CURRENT_TIMESTAMP,
  14.     status TEXT CHECK(status IN ('IN', 'OUT')),
  15.     FOREIGN KEY (user_id) REFERENCES users(id)
  16. );

四、核心代码实现

1. 人脸检测与特征提取

使用OpenCV和Dlib实现人脸检测及128维特征向量提取：

  1. import cv2
  2. import dlib
  3. import numpy as np
  5. # 初始化Dlib的人脸检测器和特征提取器
  6. detector = dlib.get_frontal_face_detector()
  7. sp = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
  8. facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
  10. def get_face_encoding(image_path):
  11.     img = cv2.imread(image_path)
  12.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  13.     faces = detector(gray, 1)
  15.     if len(faces) == 0:
  16.         return None
  18.     face = faces[0]
  19.     shape = sp(gray, face)
  20.     face_encoding = facerec.compute_face_descriptor(img, shape)
  21.     return np.array(face_encoding)

2. 实时人脸识别与考勤

通过摄像头实时检测并匹配人脸：

  1. def real_time_attendance():
  2.     cap = cv2.VideoCapture(0)
  3.     known_faces = {}  # {user_id: face_encoding}
  5.     # 加载已知人脸（示例）
  6.     # 实际应从数据库加载
  8.     while True:
  9.         ret, frame = cap.read()
  10.         gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  11.         faces = detector(gray, 1)
  13.         for face in faces:
  14.             shape = sp(gray, face)
  15.             face_encoding = facerec.compute_face_descriptor(frame, shape)
  17.             # 匹配已知人脸
  18.             for user_id, known_encoding in known_faces.items():
  19.                 distance = np.linalg.norm(np.array(face_encoding) - np.array(known_encoding))
  20.                 if distance < 0.6:  # 阈值可根据实际调整
  21.                     print(f"识别成功：用户ID {user_id}")
  22.                     # 记录考勤到数据库
  23.                     record_attendance(user_id)
  24.                     break
  26.         cv2.imshow("Attendance System", frame)
  27.         if cv2.waitKey(1) == 27:  # ESC键退出
  28.             break
  30.     cap.release()
  31.     cv2.destroyAllWindows()

3. 数据库操作（SQLite示例）

  1. import sqlite3
  3. def init_db():
  4.     conn = sqlite3.connect("attendance.db")
  5.     cursor = conn.cursor()
  6.     cursor.execute("""
  7.         CREATE TABLE IF NOT EXISTS users (
  8.             id INTEGER PRIMARY KEY AUTOINCREMENT,
  9.             name TEXT NOT NULL,
  10.             face_encoding BLOB NOT NULL
  11.         )
  12.     """)
  13.     cursor.execute("""
  14.         CREATE TABLE IF NOT EXISTS attendance (
  15.             id INTEGER PRIMARY KEY AUTOINCREMENT,
  16.             user_id INTEGER NOT NULL,
  17.             check_in_time DATETIME DEFAULT CURRENT_TIMESTAMP,
  18.             status TEXT CHECK(status IN ('IN', 'OUT')),
  19.             FOREIGN KEY (user_id) REFERENCES users(id)
  20.         )
  21.     """)
  22.     conn.commit()
  23.     conn.close()
  25. def add_user(name, face_encoding):
  26.     conn = sqlite3.connect("attendance.db")
  27.     cursor = conn.cursor()
  28.     cursor.execute(
  29.         "INSERT INTO users (name, face_encoding) VALUES (?, ?)",
  30.         (name, face_encoding.tobytes())
  31.     )
  32.     conn.commit()
  33.     conn.close()
  35. def record_attendance(user_id, status="IN"):
  36.     conn = sqlite3.connect("attendance.db")
  37.     cursor = conn.cursor()
  38.     cursor.execute(
  39.         "INSERT INTO attendance (user_id, status) VALUES (?, ?)",
  40.         (user_id, status)
  41.     )
  42.     conn.commit()
  43.     conn.close()

五、完整项目部署步骤

1. 环境配置

  1. 安装Python 3.8+及依赖库。
  2. 下载Dlib预训练模型（shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat）。
  3. 初始化数据库：运行init_db()。

2. 用户注册流程

  1. 调用摄像头采集用户人脸。
  2. 提取特征并存储到数据库：
    1. # 示例：注册新用户
    2. user_name = input("输入用户名：")
    3. face_encoding = get_face_encoding("user_photo.jpg")  # 或实时采集
    4. add_user(user_name, face_encoding)

3. 启动考勤系统

运行real_time_attendance()，系统将自动检测人脸并记录考勤。

六、优化与扩展建议

  1. 性能优化：

    • 使用多线程处理视频流与数据库操作。
    • 对人脸特征向量进行PCA降维，减少计算量。

  2. 功能扩展：

    • 添加活体检测（如眨眼检测）防止照片攻击。
    • 集成Web界面，支持远程查询考勤记录。
    • 使用MySQL替代SQLite，支持高并发场景。

  3. 错误处理：

    • 添加异常捕获（如数据库连接失败、摄像头占用）。
    • 日志记录系统运行状态。

七、源码与教程获取

完整源码（含数据库脚本、UI界面、详细注释）及分步教程已打包，关注公众号或访问GitHub仓库获取。项目支持二次开发，可根据需求调整识别阈值、数据库结构等参数。

结语：本系统通过Python与OpenCV的组合，实现了低成本、高精度的人脸考勤方案。无论是企业办公还是学校管理，均可快速部署并定制功能。未来可结合深度学习框架（如TensorFlow）进一步提升识别率，适应更复杂的场景需求。

最热文章