在企业、学校等场景中，传统考勤方式（如签到、打卡机）存在代签、效率低等问题。随着计算机视觉技术的发展，人脸识别考勤系统凭借非接触式、高精度、自动化等优势，成为考勤管理的理想解决方案。本文将详细介绍如何基于深度学习和Python实现一套人脸识别考勤系统，涵盖从环境搭建到功能落地的完整流程。

 

系统整体设计思路

 

人脸识别考勤系统的核心逻辑是：通过摄像头采集人脸图像，与数据库中的已注册人脸进行比对，确认身份后记录考勤时间，最终生成考勤报表。整体架构分为4个核心模块，各模块功能如下：

 

模块名称 核心功能 技术选型 

人脸采集模块 拍摄/上传人脸图像，建立员工人脸数据库 OpenCV（图像捕获与预处理） 

人脸检测模块 从图像中定位人脸区域（排除背景干扰） MTCNN（轻量级人脸检测模型） 

人脸识别模块 提取人脸特征并与数据库比对，输出匹配结果 FaceNet（深度学习特征提取模型） 

考勤管理模块 记录考勤时间、生成报表、处理异常考勤 SQLite（本地数据库）、Pandas（数据处理） 

 

开发环境搭建

 

本次开发基于Python 3.8，需安装以下依赖库，可通过pip命令快速配置：

 

# 图像处理与摄像头调用

pip install opencv-python

# 深度学习框架（模型加载与推理）

pip install tensorflow==2.8.0 # 或 pytorch

# 人脸检测模型

pip install mtcnn

# 人脸特征提取与比对

pip install face-recognition

# 数据库操作

pip install sqlite3

# 数据处理与报表生成

pip install pandas openpyxl

 

 

核心模块实现详解

 

1. 人脸采集模块：建立人脸数据库

 

该模块用于收集用户人脸信息并存储，为后续识别提供比对依据。实现步骤如下：

 

- 图像采集：通过OpenCV调用摄像头，拍摄用户正面人脸（建议采集3-5张不同角度的图像，提升鲁棒性）；也支持上传本地图片。

- 图像预处理：使用OpenCV将图像转为灰度图（减少计算量），并调整尺寸为统一大小（如150×150像素）。

- 数据存储：将人脸图像与用户信息（姓名、工号）关联，保存至本地文件夹（按“工号_姓名”命名），同时在SQLite数据库中记录用户基本信息。

 

核心代码示例（摄像头采集）：

 

import cv2

 

def collect_face(name, id):

    # 调用摄像头（0为默认摄像头）

    cap = cv2.VideoCapture(0)

    count = 0 # 记录采集数量

    while count < 5: # 采集5张图像

        ret, frame = cap.read()

        if not ret:

            break

        # 显示实时画面

        cv2.imshow("Collecting face (press 's' to save)", frame)

        # 按's'保存图像

        if cv2.waitKey(1) & 0xFF == ord('s'):

            # 保存路径：./face_db/工号_姓名_序号.jpg

            save_path = f"./face_db/{id}_{name}_{count}.jpg"

            cv2.imwrite(save_path, frame)

            count += 1

            print(f"已保存{count}/5张")

    cap.release()

    cv2.destroyAllWindows()

 

# 示例：采集工号001、姓名"张三"的人脸

collect_face("张三", "001")

 

 

2. 人脸检测模块：定位人脸区域

 

在进行识别前，需先从图像中准确检测出人脸位置，避免背景或其他物体干扰。这里选用MTCNN模型，它能快速检测出人脸的边界框及关键点（如眼睛、鼻子位置），适合实时场景。

 

实现逻辑：

 

- 加载MTCNN模型，输入图像后输出人脸边界框坐标（x1, y1, x2, y2）。

- 根据边界框裁剪出人脸区域，用于后续特征提取。

 

核心代码示例：

 

from mtcnn import MTCNN

import cv2

 

detector = MTCNN()

 

def detect_face(image_path):

    img = cv2.imread(image_path)

    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # MTCNN需RGB格式

    results = detector.detect_faces(img_rgb)

    if results: # 检测到人脸

        x1, y1, width, height = results[0]['box']

        x2, y2 = x1 + width, y1 + height

        # 裁剪人脸区域

        face_img = img[y1:y2, x1:x2]

        return face_img

    else:

        return None # 未检测到人脸

 

# 测试：检测本地图像中的人脸

face = detect_face("./test.jpg")

if face is not None:

    cv2.imshow("Detected Face", face)

    cv2.waitKey(0)

 

 

3. 人脸识别模块：特征提取与比对

 

人脸识别的核心是通过深度学习模型提取人脸的独特特征，再计算特征向量之间的相似度，判断是否为同一人。

 

- 特征提取：使用FaceNet模型，该模型通过深度学习将人脸图像映射为128维的特征向量，向量距离越近，人脸越相似。

- 特征比对：计算待识别人脸与数据库中人脸的特征向量欧氏距离，若距离小于阈值（如0.6），则判定为匹配。

 

核心代码示例：

 

import face_recognition

import os

import numpy as np

 

# 加载人脸数据库特征

def load_face_features(db_path):

    features = []

    names = []

    for file in os.listdir(db_path):

        if file.endswith(('.jpg', '.png')):

            # 解析文件名获取姓名（格式：工号_姓名_序号.jpg）

            name = file.split('_')[1]

            img = face_recognition.load_image_file(os.path.join(db_path, file))

            # 提取特征向量

            img_encoding = face_recognition.face_encodings(img)[0]

            features.append(img_encoding)

            names.append(name)

    return features, names

 

# 人脸识别（返回匹配姓名或"未知"）

def recognize_face(unknown_img_path, features, names, threshold=0.6):

    unknown_img = face_recognition.load_image_file(unknown_img_path)

    unknown_encoding = face_recognition.face_encodings(unknown_img)[0]

    # 计算与数据库中所有人脸的距离

    distances = face_recognition.face_distance(features, unknown_encoding)

    # 找到最接近的匹配

    min_dist_index = np.argmin(distances)

    if distances[min_dist_index] < threshold:

        return names[min_dist_index]

    else:

        return "未知人员"

 

 

4. 考勤管理模块：记录与报表生成

 

识别到人员身份后，系统需自动记录考勤时间，并支持查询、统计功能：

 

- 考勤记录：每次识别成功后，在SQLite数据库中插入一条记录，包含“姓名、工号、考勤时间、状态（签到/签退）”。

- 异常处理：若多次识别失败（如陌生面孔），标记为“异常考勤”，提醒管理员处理。

- 报表生成：使用Pandas按日/周/月统计考勤数据，生成Excel报表，包含“出勤天数、迟到/早退次数”等信息。

 

系统测试与优化

 

测试场景

 

- 光线测试：在强光、弱光环境下验证识别准确率（可通过OpenCV调整图像亮度优化）。

- 角度测试：测试侧脸、低头等非正面角度的识别效果（建议采集多姿态样本提升模型鲁棒性）。

- 多人测试：模拟多人同时考勤场景，验证系统并发处理能力。

 

优化方向

 

- 模型轻量化：若在嵌入式设备（如树莓派）部署，可改用MobileNet等轻量级模型，减少推理时间。

- 活体检测：添加眨眼、摇头等活体判断，防止照片欺骗。

- 界面优化：使用Tkinter或PyQt开发可视化界面，简化操作流程。

 

总结

 

本文基于深度学习和Python实现了一套人脸识别考勤系统，通过MTCNN检测人脸、FaceNet提取特征，结合OpenCV和SQLite完成了从图像采集到考勤统计的全流程。该系统可有效解决传统考勤的痛点，适用于各类需要身份验证的场景。

 

后续可进一步扩展功能，如对接企业OA系统、支持云端数据同步等，提升系统的实用性和扩展性。完整代码已上传至GitHub（仓库地址：[示例链接]），欢迎交流指正。