### 开发基于 OpenCV 和 Python 的人脸识别签到系统 构建一个人脸识别签到系统涉及多个步骤，包括环境搭建、数据收集、模型训练和实际应用。以下是详细的说明： #### 1. 环境准备 为了运行此项目，需要安装必要的依赖库。主要使用的库有 `OpenCV`、`numpy` 和 `Pillow`（用于处理图像）。如果计划使用更高级的人脸检测算法，则可能还需要安装 `dlib` 或者 `face_recognition` 库。 ```bash pip install opencv-python numpy pillow dlib face-recognition ``` 注意：某些库（如 `dlib`）可能会因为编译问题难以安装，在这种情况下可以参考相关文档或者寻找预编译版本[^3]。 --- #### 2. 数据集创建 在开始之前，需建立一个包含学生面部照片的数据集。可以通过摄像头实时捕获这些图像，并将其存储在一个特定目录下供后续训练使用。 ```python import cv2 import os def capture_faces(student_id, num_images=50): cam = cv2.VideoCapture(0) detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') count = 0 while True: ret, img = cam.read() gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces = detector.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5) for (x,y,w,h) in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) if not os.path.exists(f'dataset/{student_id}'): os.makedirs(f'dataset/{student_id}') cv2.imwrite(f'dataset/{student_id}/image_{count}.jpg', gray[y:y+h,x:x+w]) count += 1 cv2.imshow("Face Capture", img) k = cv2.waitKey(100) & 0xff if k == 27 or count >= num_images: # Press 'ESC' to exit the program. break cam.release() cv2.destroyAllWindows() capture_faces("StudentID") # 替换 StudentID 为你想要保存的学生 ID ``` 这段代码会打开相机并捕捉指定数量的脸部图片存入文件夹中[^1]。 --- #### 3. 训练分类器 利用采集好的脸部数据来训练 LBPH Face Recognizer 模型或其他支持向量机(SVM)等机器学习模型来进行预测工作。 ```python from sklearn.model_selection import train_test_split from sklearn.svm import SVC import joblib import numpy as np import cv2 import os def prepare_training_data(data_folder_path='dataset'): labels = [] faces = [] label_map = {} current_label = 0 for student_dir in os.listdir(data_folder_path): if student_dir.startswith('.'): continue label_map[current_label] = student_dir subject_dir_path = data_folder_path + "/" + student_dir for image_name in os.listdir(subject_dir_path): if image_name.startswith("."): continue image_path = subject_dir_path + "/" + image_name image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) faces.append(np.asarray(image)) labels.append(current_label) current_label += 1 return faces, np.array(labels), label_map faces, labels, label_map = prepare_training_data() X_train, X_test, y_train, y_test = train_test_split(faces, labels, test_size=0.2, random_state=42) model = SVC(kernel='linear', probability=True) model.fit(X_train.reshape(len(X_train), -1), y_train.ravel()) joblib.dump(model, "trained_model.pkl") print("Model trained successfully.") ``` 这里我们采用 SVM 方法进行训练，并将最终得到的结果序列化以便下次加载时无需重新计算[^4]。 --- #### 4. 实现签到功能 当一切准备好之后就可以编写主函数用来执行整个流程——即读取视频流、检测人脸位置并通过已有的模型判断是谁然后更新数据库记录状态。 ```python import cv2 import joblib import time recognizer = joblib.load('trained_model.pkl') cam = cv2.VideoCapture(0) detector=cv2.CascadeClassifier('haarcascade_frontalface_default.xml') while(True): ret, img = cam.read() gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces = detector.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5) for(x,y,w,h) in faces: roi_gray = gray[y:y+h, x:x+w] id_, confidence = recognizer.predict_proba([roi_gray.flatten()])[0].argmax(), None name = list(label_map.values())[id_] cv2.putText(img,name,(x,y-10),cv2.FONT_HERSHEY_SIMPLEX,.8,(0,255,0)) cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2) cv2.imshow('Sign In System',img) keypress = cv2.waitKey(1) & 0xFF if(keypress == ord('q')): break; cam.release() cv2.destroyAllWindows() ``` 以上脚本实现了简单的登录机制，其中每次成功识别人物都会显示其名字于窗口之上[^2]。 --- ### 注意事项 尽管上述过程描述了一个基础框架，但在真实环境中部署前还需考虑更多因素比如光照条件变化影响精度等问题。