### 构建完整的人脸识别系统 为了基于 OpenCV 和 Jupyter Notebook 实现一个完整的人脸识别系统，可以按照以下方法进行优化和构建。以下是关于特征提取、模型改进以及代码分析的具体说明。 #### 1. 数据集准备与预处理 在构建人脸识别系统时，数据的质量至关重要。可以通过 dlib 和 OpenCV 来完成人脸图片的采集和特征点提取[^1]。 - **采集图像**：使用摄像头捕获学生的面部照片，并将其存储在一个以学号命名的文件夹中。 - **特征点提取**：对于每一张图片，提取其对应的 68 个人脸关键点，并将这些点保存为 `face_features.txt` 文件。 - **计算平均特征向量**：通过对所有样本的关键点求均值，得到代表该人的平均特征向量 `face_feature_mean.txt`[^4]。 ```python import cv2 import dlib from scipy.spatial import distance as dist def extract_face_features(image_path, predictor): detector = dlib.get_frontal_face_detector() image = cv2.imread(image_path) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) faces = detector(gray) if len(faces) != 1: return None shape = predictor(gray, faces[0]) features = [(shape.part(i).x, shape.part(i).y) for i in range(68)] return features # 计算平均特征向量 features_list = [] for img_file in os.listdir('student_images'): feature = extract_face_features(os.path.join('student_images', img_file), predictor) if feature is not None: features_list.append(feature) average_feature_vector = np.mean(features_list, axis=0) np.savetxt("face_feature_mean.txt", average_feature_vector) ``` --- #### 2. 特征匹配与身份验证 通过比较实时捕捉到的人脸特征与预先存储的平均特征向量来完成身份验证。如果两者的欧几里得距离低于设定的阈值，则认为是同一个人[^1]。 ```python def verify_identity(frame, mean_feature_vector, threshold=0.5): gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector(gray) if len(faces) == 0: return False, frame shape = predictor(gray, faces[0]) current_features = [(shape.part(i).x, shape.part(i).y) for i in range(68)] euclidean_distance = dist.euclidean(mean_feature_vector, current_features) result_text = f"Distance: {euclidean_distance:.2f}" if euclidean_distance < threshold: cv2.putText(frame, "Welcome!", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) return True, frame else: cv2.putText(frame, "Unknown Person", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) return False, frame ``` --- #### 3. 集成语音反馈功能 当识别成功或失败时，分别播放不同的提示音。可借助 Python 的 `pyttsx3` 库实现文字转语音的功能[^2]。 ```python import pyttsx3 engine = pyttsx3.init() def speak(text): engine.say(text) engine.runAndWait() if verified: speak("欢迎光临！") else: speak("抱歉，无法验证您的身份！") ``` --- #### 4. 数据库记录访问日志 每次有人尝试进入宿舍时，无论是否通过验证，都应将相关信息存入数据库以便后续查询。 ```sql CREATE TABLE IF NOT EXISTS access_logs ( id INTEGER PRIMARY KEY AUTOINCREMENT, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP, identity TEXT, image BLOB ); ``` ```python import sqlite3 import base64 conn = sqlite3.connect('access_log.db') cursor = conn.cursor() def log_access(identity, frame): _, buffer = cv2.imencode('.jpg', frame) encoded_image = base64.b64encode(buffer.tobytes()).decode('utf-8') cursor.execute(""" INSERT INTO access_logs (identity, image) VALUES (?, ?) """, (identity, encoded_image)) conn.commit() ``` --- #### 5. 模型改进建议 尽管当前的方法能够满足基本需求，但仍存在一些局限性。为此可以从以下几个方面进一步提升性能： - **光照影响校正**：引入直方图均衡化或其他增强技术减少光线变化带来的干扰[^4]。 - **更复杂的分类器**：除了简单的欧式距离外，还可以考虑 SVM 或 KNN 方法提高准确性。 - **深度学习框架支持**：结合 TensorFlow 或 PyTorch 开发卷积神经网络（CNN）用于端到端的学习过程[^3]。 ---