 锋哥原创出品，必属精品)
大家好我是Java1234_小锋老师分享一套锋哥原创的人脸识别 智能门禁系统(深度学习OpenCV DNNFastAPIVue3)项目介绍出入控制是安防体系中的基础环节。长期以来IC 卡、密码键盘和门禁钥匙在企事业单位中广泛使用但存在卡片易丢失、密码易泄露、冒用难追溯等问题。尤其在人员流动性较高的园区与写字楼场景中卡片补办成本高权限变更往往滞后管理方难以及时掌握“谁在何时从何处进出”的完整信息。近年来深度学习推动生物特征识别技术快速落地人脸识别因采集成本低、通行体验好、可与视频监控联动成为智能门禁的主流方案之一。在智慧园区和数字化办公场景中门禁系统不仅要完成“开门”还要完成“管人、管设备、管权限、管记录、管告警”的闭环。将人脸识别与后台管理系统结合能够把身份核验、权限策略和安全事件处理统一到同一平台提升管理效率与安全水平。对组织管理者而言系统可以支撑考勤辅助、访客管控与安全审计对通行者而言非接触式识别减少了掏卡刷卡的繁琐步骤也降低了交叉接触风险。因此研究并实现一套结构清晰、技术路线明确、可演示可扩展的带人脸识别智能门禁系统具有明确的工程意义与教学价值。本课题选择 OpenCV DNN、YuNet 与 SFace 作为识别技术路线结合 Python、FastAPI 与 Vue3 完成系统开发。该方案无需依赖商业闭源 SDK模型文件体积较小部署门槛低适合本科毕业设计在有限硬件条件下完成可运行原型同时又能体现深度学习在实际工程中的应用方式。与单纯调用云端识别 API 相比本地化推理更有利于保护人脸生物特征数据也便于在论文中完整展示算法调用链路与系统设计细节。从人才培养角度看本课题横跨软件工程、数据库原理、Web 开发与计算机视觉等多个知识模块要求学生把课堂理论转化为可运行系统锻炼需求分析、模块划分、接口设计、测试验证和论文表达能力符合本科毕业设计“综合训练”的定位。源码下载链接: https://pan.baidu.com/s/1XF5Bj0hyipdAXhTywhfmmg?pwd1234提取码: 1234系统展示核心代码 OpenCV DNN 人脸识别引擎 使用 YuNet 人脸检测 SFace 特征提取 import os from typing import Optional, Tuple import cv2 import numpy as np from app.core.config import settings class FaceEngine: 人脸识别引擎单例类 _instance None def __new__(cls): if cls._instance is None: cls._instance super().__new__(cls) cls._instance._initialized False return cls._instance def __init__(self): if self._initialized: return self.detector None self.recognizer None self._initialized True def load_models(self): 加载 YuNet 和 SFace 模型 models_dir settings.MODELS_DIR os.makedirs(models_dir, exist_okTrue) yunet_path os.path.join(models_dir, face_detection_yunet_2023mar.onnx) sface_path os.path.join(models_dir, face_recognition_sface_2021dec.onnx) if not os.path.exists(yunet_path) or not os.path.exists(sface_path): raise FileNotFoundError(f模型文件不存在请先运行 scripts/download_models.py 下载模型) self.detector cv2.FaceDetectorYN.create(yunet_path, , (320, 320), 0.6, 0.3, 5000) self.recognizer cv2.FaceRecognizerSF.create(sface_path, ) print([FaceEngine] 模型加载成功) def detect_largest_face(self, image: np.ndarray) - Optional[np.ndarray]: 检测图像中最大的人脸 Args: image: BGR格式图像 Returns: 人脸检测结果行向量 [x,y,w,h,...] 或 None if self.detector is None: self.load_models() h, w image.shape[:2] self.detector.setInputSize((w, h)) _, faces self.detector.detect(image) if faces is None or len(faces) 0: return None areas faces[:, 2] * faces[:, 3] return faces[np.argmax(areas)] def extract_feature(self, image: np.ndarray, face: np.ndarray) - Optional[np.ndarray]: 提取人脸128维特征向量 Args: image: BGR格式图像 face: 人脸检测结果 Returns: 128维特征向量 if self.recognizer is None: self.load_models() aligned self.recognizer.alignCrop(image, face) feature self.recognizer.feature(aligned) return feature.flatten() def process_image(self, image: np.ndarray) - Tuple[Optional[np.ndarray], Optional[np.ndarray]]: 检测并提取特征一步完成 Args: image: BGR格式图像 Returns: (特征向量, 人脸框) 或 (None, None) face self.detect_largest_face(image) if face is None: return None, None feature self.extract_feature(image, face) return feature, face staticmethod def cosine_similarity(feat1: np.ndarray, feat2: np.ndarray) - float: 计算两个特征向量的余弦相似度 norm1 np.linalg.norm(feat1) norm2 np.linalg.norm(feat2) if norm1 0 or norm2 0: return 0.0 return float(np.dot(feat1, feat2) / (norm1 * norm2)) staticmethod def decode_image(image_bytes: bytes) - np.ndarray: 将字节解码为OpenCV图像 nparr np.frombuffer(image_bytes, np.uint8) return cv2.imdecode(nparr, cv2.IMREAD_COLOR) face_engine FaceEngine()template div classpage-container div classpage-headerh2我的人脸/h2/div div classface-grid div v-forf in faceList :keyf.id classface-card el-image :srcf.image_url fitcover stylewidth:160px;height:160px;border-radius:12px / div classface-info el-tag v-iff.is_primary typesuccess sizesmall主图/el-tag span v-iff.quality_score质量: {{ f.quality_score }}/span span{{ f.create_time }}/span /div /div el-empty v-if!faceList.length description暂无录入人脸请联系管理员录入 / /div /div /template script setup /** 我的人脸页面普通用户 */ import { ref, onMounted } from vue import { faceApi } from /api const faceList ref([]) onMounted(async () { const res await faceApi.list() faceList.value res.data }) /script style scoped .face-grid { display: flex; flex-wrap: wrap; gap: 20px; } .face-card { background: #fff; padding: 16px; border-radius: 12px; box-shadow: 0 2px 12px rgba(0,0,0,0.06); text-align: center; } .face-info { margin-top: 8px; display: flex; flex-direction: column; gap: 4px; font-size: 13px; color: #909399; } /style 【免费】人脸识别 智能门禁系统(深度学习+OpenCV DNN+FastAPI+Vue3) 锋哥原创出品，必属精品
大家好我是Java1234_小锋老师分享一套锋哥原创的人脸识别 智能门禁系统(深度学习OpenCV DNNFastAPIVue3)项目介绍出入控制是安防体系中的基础环节。长期以来IC 卡、密码键盘和门禁钥匙在企事业单位中广泛使用但存在卡片易丢失、密码易泄露、冒用难追溯等问题。尤其在人员流动性较高的园区与写字楼场景中卡片补办成本高权限变更往往滞后管理方难以及时掌握“谁在何时从何处进出”的完整信息。近年来深度学习推动生物特征识别技术快速落地人脸识别因采集成本低、通行体验好、可与视频监控联动成为智能门禁的主流方案之一。在智慧园区和数字化办公场景中门禁系统不仅要完成“开门”还要完成“管人、管设备、管权限、管记录、管告警”的闭环。将人脸识别与后台管理系统结合能够把身份核验、权限策略和安全事件处理统一到同一平台提升管理效率与安全水平。对组织管理者而言系统可以支撑考勤辅助、访客管控与安全审计对通行者而言非接触式识别减少了掏卡刷卡的繁琐步骤也降低了交叉接触风险。因此研究并实现一套结构清晰、技术路线明确、可演示可扩展的带人脸识别智能门禁系统具有明确的工程意义与教学价值。本课题选择 OpenCV DNN、YuNet 与 SFace 作为识别技术路线结合 Python、FastAPI 与 Vue3 完成系统开发。该方案无需依赖商业闭源 SDK模型文件体积较小部署门槛低适合本科毕业设计在有限硬件条件下完成可运行原型同时又能体现深度学习在实际工程中的应用方式。与单纯调用云端识别 API 相比本地化推理更有利于保护人脸生物特征数据也便于在论文中完整展示算法调用链路与系统设计细节。从人才培养角度看本课题横跨软件工程、数据库原理、Web 开发与计算机视觉等多个知识模块要求学生把课堂理论转化为可运行系统锻炼需求分析、模块划分、接口设计、测试验证和论文表达能力符合本科毕业设计“综合训练”的定位。源码下载链接: https://pan.baidu.com/s/1XF5Bj0hyipdAXhTywhfmmg?pwd1234提取码: 1234系统展示核心代码 OpenCV DNN 人脸识别引擎 使用 YuNet 人脸检测 SFace 特征提取 import os from typing import Optional, Tuple import cv2 import numpy as np from app.core.config import settings class FaceEngine: 人脸识别引擎单例类 _instance None def __new__(cls): if cls._instance is None: cls._instance super().__new__(cls) cls._instance._initialized False return cls._instance def __init__(self): if self._initialized: return self.detector None self.recognizer None self._initialized True def load_models(self): 加载 YuNet 和 SFace 模型 models_dir settings.MODELS_DIR os.makedirs(models_dir, exist_okTrue) yunet_path os.path.join(models_dir, face_detection_yunet_2023mar.onnx) sface_path os.path.join(models_dir, face_recognition_sface_2021dec.onnx) if not os.path.exists(yunet_path) or not os.path.exists(sface_path): raise FileNotFoundError(f模型文件不存在请先运行 scripts/download_models.py 下载模型) self.detector cv2.FaceDetectorYN.create(yunet_path, , (320, 320), 0.6, 0.3, 5000) self.recognizer cv2.FaceRecognizerSF.create(sface_path, ) print([FaceEngine] 模型加载成功) def detect_largest_face(self, image: np.ndarray) - Optional[np.ndarray]: 检测图像中最大的人脸 Args: image: BGR格式图像 Returns: 人脸检测结果行向量 [x,y,w,h,...] 或 None if self.detector is None: self.load_models() h, w image.shape[:2] self.detector.setInputSize((w, h)) _, faces self.detector.detect(image) if faces is None or len(faces) 0: return None areas faces[:, 2] * faces[:, 3] return faces[np.argmax(areas)] def extract_feature(self, image: np.ndarray, face: np.ndarray) - Optional[np.ndarray]: 提取人脸128维特征向量 Args: image: BGR格式图像 face: 人脸检测结果 Returns: 128维特征向量 if self.recognizer is None: self.load_models() aligned self.recognizer.alignCrop(image, face) feature self.recognizer.feature(aligned) return feature.flatten() def process_image(self, image: np.ndarray) - Tuple[Optional[np.ndarray], Optional[np.ndarray]]: 检测并提取特征一步完成 Args: image: BGR格式图像 Returns: (特征向量, 人脸框) 或 (None, None) face self.detect_largest_face(image) if face is None: return None, None feature self.extract_feature(image, face) return feature, face staticmethod def cosine_similarity(feat1: np.ndarray, feat2: np.ndarray) - float: 计算两个特征向量的余弦相似度 norm1 np.linalg.norm(feat1) norm2 np.linalg.norm(feat2) if norm1 0 or norm2 0: return 0.0 return float(np.dot(feat1, feat2) / (norm1 * norm2)) staticmethod def decode_image(image_bytes: bytes) - np.ndarray: 将字节解码为OpenCV图像 nparr np.frombuffer(image_bytes, np.uint8) return cv2.imdecode(nparr, cv2.IMREAD_COLOR) face_engine FaceEngine()template div classpage-container div classpage-headerh2我的人脸/h2/div div classface-grid div v-forf in faceList :keyf.id classface-card el-image :srcf.image_url fitcover stylewidth:160px;height:160px;border-radius:12px / div classface-info el-tag v-iff.is_primary typesuccess sizesmall主图/el-tag span v-iff.quality_score质量: {{ f.quality_score }}/span span{{ f.create_time }}/span /div /div el-empty v-if!faceList.length description暂无录入人脸请联系管理员录入 / /div /div /template script setup /** 我的人脸页面普通用户 */ import { ref, onMounted } from vue import { faceApi } from /api const faceList ref([]) onMounted(async () { const res await faceApi.list() faceList.value res.data }) /script style scoped .face-grid { display: flex; flex-wrap: wrap; gap: 20px; } .face-card { background: #fff; padding: 16px; border-radius: 12px; box-shadow: 0 2px 12px rgba(0,0,0,0.06); text-align: center; } .face-info { margin-top: 8px; display: flex; flex-direction: column; gap: 4px; font-size: 13px; color: #909399; } /style