简介这份资源是一套基于Python与OpenCV实现的人脸识别员工考勤系统完整项目包面向计算机、人工智能、通信工程、自动化等专业的在校学生、教师及企业开发者可用于毕业设计、课程设计、作业提交或项目初期立项演示也适合具备一定基础的小白进阶学习。压缩包共收录671个文件以501个py源码文件为核心辅以pyd、exe、dll等运行依赖以及png、jpg图像素材、xml配置、pth模型权重、bat与cfg脚本等整体约197.41MB目录结构完整便于按模块查阅与二次开发。目前已有60人学习关注。项目源码经过实际测试运行功能可用并附有详细文档涵盖人脸检测、特征提取、考勤记录等关键环节读者可据此理解系统架构、调试思路与部署流程也能在现有代码基础上修改扩展实现签到统计、数据导出等个性化功能。1. 从一张打卡照片说起Python OpenCV 人脸考勤到底能跑多稳公司行政把一台旧笔记本架在前台屏幕上跑着一个 Python 脚本摄像头对着进门方向。员工走近框出人脸、比对工号、写一条打卡记录到 CSV整个过程不到一秒。这套东西的核心就是 Python 加 OpenCV 的人脸识别考勤系统也是很多中小团队想自己搭一套时最先想到的方案。它解决的不是识别得多准这种学术问题而是今天谁来了、几点来的、有没有代打卡这种每天都要出结果的现实需求。适合谁适合会一点 Python、能装库、愿意调参数的后端或运维同学也适合想拿它当毕业设计或内部工具练手的开发者。资料齐全加详细文档这类打包资源价值不在代码多花哨而在于它把环境、采集、训练、识别、记录这条链路完整串起来了你照着能跑通再按自己场景改。2. 环境搭不起来后面全是空谈OpenCV 与 Python 的安装与验证2.1 为什么选 OpenCV 而不是别的库人脸考勤这条链路要做的事很明确读摄像头帧、检测人脸、提取特征、比对、写记录。OpenCV 一个人把读帧、图像预处理、检测器、绘图全包了opencv-contrib-python里还直接带了 LBPH 人脸识别器不需要你再单独编译 dlib 或者配深度学习环境。对于考勤这种几十到几百人的小规模场景LBPH 加 Haar 级联的精度够用速度在普通 CPU 上就能实时。选它的核心理由是依赖少、装得快、出问题好查。如果你一上来就上深度学习模型显卡、CUDA、模型文件、推理框架一层层叠上去光环境就能耗掉两天而考勤系统真正难的地方在工程细节不在模型本身。2.2 安装命令与常见报错处理先确认 Python 版本建议 3.8 到 3.10太新的版本某些轮子还没跟上。python --version pip install opencv-python opencv-contrib-python numpy pillow装完立刻验证别等到写代码时才发现没装上。import cv2 import numpy as np print(cv2.__version__) # 确认 contrib 模块在LBPH 依赖它 print(hasattr(cv2, face))如果报ModuleNotFoundError: No module named opencv九成是装到了另一个 Python 环境里。用pip -V看 pip 对应的解释器路径和python -c import sys; print(sys.executable)对比不一致就改用python -m pip install。如果cv2.face不存在说明你装的是opencv-python而不是opencv-contrib-python两个都装会互相覆盖先pip uninstall再只装 contrib 版本。VSCode 里配环境时右下角选解释器要选到你装库的那个否则编辑器报红但命令行能跑这种玄学问题多半就是解释器选错了。提示装库时加国内镜像源能省不少时间但别把镜像源写死进项目文档换台机器就失效。2.3 摄像头读取的最小验证在写考勤逻辑前先用十行代码确认摄像头能出画面。import cv2 cap cv2.VideoCapture(0) # 0 是默认摄像头外接的可能是 1 if not cap.isOpened(): print(摄像头打不开检查占用或驱动) exit() while True: ret, frame cap.read() if not ret: break cv2.imshow(test, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()VideoCapture(0)的参数是设备索引笔记本自带一般是 0USB 外接的试 1 或 2。waitKey(1)里的 1 是毫秒等待太小画面卡太大延迟高考勤场景 1 到 30 都行。如果read()一直返回 False先看摄像头是不是被会议软件占用了这是最常见的翻车点。3. 从采集到训练把人脸数据变成能比对的特征3.1 采集阶段的关键参数采集就是给每个员工拍一批人脸图存到以工号命名的文件夹里。这里有几个参数直接决定后面识别率。检测器用 Haar 级联scaleFactor设 1.1 到 1.3太小检测慢太大漏脸minNeighbors设 5 左右太低误检多太高漏检。采集数量每人 30 到 50 张太少特征不稳太多训练慢且收益递减。采集时要覆盖不同角度和光照别只拍正脸一张否则真人稍微侧头就认不出。import cv2 import os face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml) def collect(emp_id, save_dirdataset, max_count40): os.makedirs(os.path.join(save_dir, str(emp_id)), exist_okTrue) cap cv2.VideoCapture(0) count 0 while count max_count: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.2, 5) for (x, y, w, h) in faces: count 1 face gray[y:yh, x:xw] face cv2.resize(face, (200, 200)) # 统一尺寸训练必需 cv2.imwrite(f{save_dir}/{emp_id}/{count}.jpg, face) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(collect, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()resize到 200x200 是为了让所有样本尺寸一致LBPH 虽然对尺寸不敏感但统一后训练更稳。detectMultiScale返回的是列表一帧可能检测到多张脸采集时最好限制只取最大的一张避免把背景里的人脸也存进去。3.2 训练 LBPH 识别器LBPH 的原理是把人脸分成小格每格算局部二值模式直方图最后拼成特征向量。它对人脸光照变化有一定容忍度训练快适合小数据集。import cv2 import numpy as np import os def train(dataset_dirdataset, model_pathtrainer.yml): recognizer cv2.face.LBPHFaceRecognizer_create() faces, ids [], [] for emp_id in os.listdir(dataset_dir): emp_dir os.path.join(dataset_dir, emp_id) if not os.path.isdir(emp_dir): continue for img_name in os.listdir(emp_dir): img_path os.path.join(emp_dir, img_name) gray cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if gray is None: continue faces.append(gray) ids.append(int(emp_id)) recognizer.train(faces, np.array(ids)) recognizer.save(model_path) print(f训练完成共 {len(faces)} 张{len(set(ids))} 人)LBPHFaceRecognizer_create()可以传参数radius默认 1neighbors默认 8grid_x和grid_y默认 8一般不用改。如果识别率低先把grid_x、grid_y调到 10 试试格子越细对细节越敏感但也更容易受噪声影响。ids必须是整数数组工号用字符串会报错这是新手常踩的坑。3.3 识别与置信度阈值识别时predict返回工号和置信度置信度是距离越小越像。阈值设多少直接决定误识和漏识的平衡。import cv2 recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer.yml) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml) THRESHOLD 70 # 经验值需按实际数据调 cap cv2.VideoCapture(0) while True: ret, frame cap.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.2, 5) for (x, y, w, h) in faces: face cv2.resize(gray[y:yh, x:xw], (200, 200)) emp_id, conf recognizer.predict(face) if conf THRESHOLD: label fID:{emp_id} conf:{conf:.1f} else: label unknown cv2.putText(frame, label, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(attendance, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()阈值 70 是常见起点但必须用你自己的数据测。方法很简单让同一个人在不同光照下测十次记录 conf 值取偏大的那个作为上限再让陌生人测记录最小 conf取偏小的作为下限阈值取两者中间。如果两个区间重叠说明数据质量不够回去补采集。4. 考勤逻辑与数据落盘别让识别结果只停在屏幕上4.1 打卡去重与时间窗口识别出人只是第一步考勤要的是今天第一次出现算上班最后一次算下班。最简单的做法是按天按人记录同一天同一人只写第一条和最后一条。import csv import os from datetime import datetime, date def mark_attendance(emp_id, record_fileattendance.csv): today date.today().isoformat() now datetime.now().strftime(%H:%M:%S) rows [] if os.path.exists(record_file): with open(record_file, r, newline, encodingutf-8) as f: rows list(csv.reader(f)) # 找今天这个人的记录 found None for r in rows: if len(r) 4 and r[0] today and r[1] str(emp_id): found r break if found is None: rows.append([today, str(emp_id), now, now]) # 首次上班时间 else: found[3] now # 更新下班时间 with open(record_file, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerows(rows)这个逻辑每识别到一次就写一次文件频繁 IO 在人多时会卡。实际部署时改成内存里维护一个字典每隔几秒或识别状态变化时才落盘。date.today()和datetime.now()依赖系统时间服务器时间不对会导致考勤全乱部署前先对时。4.2 防代打卡的几个土办法纯人脸识别挡不住拿照片对着摄像头的人。低成本的做法是加活体检测的简化版要求眨眼或转头。OpenCV 自带的眼睛检测器可以判断眼睛开合连续几帧检测到闭眼再睁眼就算一次眨眼。eye_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_eye.xml) def blink_detected(gray_face): eyes eye_cascade.detectMultiScale(gray_face, 1.1, 4) return len(eyes) 0 # 简化检测不到眼睛视为闭眼这个判断很粗糙戴眼镜或光线暗时容易误判。更稳的做法是记录连续帧的眼睛数量变化从有到无再到有才算一次眨眼。如果不想做活体至少把摄像头架高一点、加个补光灯让照片不好举。另一个办法是打卡后随机弹一个动作提示比如请向左转头配合简单的头部姿态估计成本比深度学习活体低得多。4.3 数据表结构建议CSV 适合几十人上百人建议换 SQLite查询和并发都更好。字段类型说明dateTEXT日期YYYY-MM-DDemp_idINTEGER工号check_inTEXT上班打卡时间check_outTEXT下班打卡时间confidenceREAL识别置信度用于排查置信度存下来很有用后面发现某人总是识别失败翻记录看 conf 是不是一直偏高就能判断是数据问题还是阈值问题。5. 避坑与排查那些让考勤系统翻车的细节5.1 识别忽好忽坏同一个人有时认不出现象是上午能识别下午就报 unknown。原因多半是光照变化LBPH 对强逆光和侧光敏感。解决方法是采集时就把不同时段的光照样本拍进去或者在识别前做直方图均衡化cv2.equalizeHist(gray)让灰度分布拉平。如果还不行在摄像头旁加一个恒定光源减少环境光波动。5.2 摄像头读几帧就卡死或花屏现象是程序跑几分钟后画面冻结。原因是cap.read()的缓冲区堆积处理速度跟不上采集速度。解决办法是每次循环只取最新帧或者把VideoCapture的缓冲区设小cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)。另外waitKey不能省没有它 GUI 事件不刷新画面也会假死。5.3 训练时报 labels 类型错误现象是recognizer.train抛异常提示标签类型不对。原因是ids列表里混了字符串。工号从文件夹名来os.listdir返回的是字符串必须int()转换。如果工号本身带字母LBPH 不支持字符串标签得自己维护一个映射表把字符串工号转成整数再训练识别后再转回来。5.4 多人同时出现在画面里只识别一个现象是两个人一起进门只框出一个。原因是detectMultiScale虽然返回多张脸但你的打卡逻辑只取了第一张。解决是把 for 循环里每个人都走一遍识别和记录但要注意同一帧里同一个人不要重复写。另外 Haar 检测器对侧脸和遮挡本来就弱两个人挨太近时可能只检出一张这种场景建议改成一人一刷或者换更稳的检测模型。5.5 打包成 exe 后找不到模型文件现象是脚本能跑打包后报trainer.yml不存在。原因是打包工具没把模型和级联文件带进去。解决是用--add-data把trainer.yml和haarcascade_frontalface_default.xml一起打进去代码里用sys._MEIPASS拼路径。级联文件也可以直接从cv2.data.haarcascades读但打包后这个路径可能变最稳的是把 xml 复制到项目目录里一起打包。6. 把识别率再往上推一档几个我实际用过的调优手法第一招是样本增强。采集完每个人的人脸后用 OpenCV 做一批小幅度的旋转、平移、加噪把每人样本从 40 张扩到 200 张左右。LBPH 对这类增强不敏感但能覆盖更多姿态实测在侧脸场景下识别率能提十几个点。代码很简单cv2.warpAffine做旋转np.random.normal加高斯噪声注意别增强过头旋转超过 15 度就失真了。第二招是双阈值策略。识别时设两个阈值低于低阈值直接通过高于高阈值直接拒绝中间区间要求再测一帧连续两帧都在中间区间且工号一致才通过。这样能压掉大部分偶发误识代价是多花一两百毫秒。对于考勤这种不要求极致速度的场景完全值得。第三招是定期重训。人员变动、换发型、戴眼镜都会让旧模型变差。我一般设一个每月提醒把当月识别置信度偏高的样本挑出来人工确认后补进数据集重新训练。重训不用停服务训练几秒钟的事新模型文件替换后下次识别自动加载。第四招是日志留痕。每次识别无论成功失败都写一条日志包含时间、置信度、是否通过。出问题时翻日志比猜快得多。我吃过亏有次行政说某人天天迟到查日志发现是摄像头角度偏了那人每次都要歪头才能被识别记录时间自然偏晚。调了摄像头角度就正常了。最后一招别追求 100% 识别率。考勤系统里识别失败是可以接受的只要失败时能走备用流程比如输入工号加密码。真正不能接受的是把 A 认成 B那会直接导致考勤数据错乱。所以阈值宁可严一点让认不出的走人工也别放宽到乱认。这套系统我前后搭过三次每次都是识别本身不难难的是让它在真实环境里稳定跑下去。希望帮到你。本文还有配套的精品资源点击获取 Python+OpenCV人脸识别考勤系统实战：从环境搭建到防代打卡全流程
简介这份资源是一套基于Python与OpenCV实现的人脸识别员工考勤系统完整项目包面向计算机、人工智能、通信工程、自动化等专业的在校学生、教师及企业开发者可用于毕业设计、课程设计、作业提交或项目初期立项演示也适合具备一定基础的小白进阶学习。压缩包共收录671个文件以501个py源码文件为核心辅以pyd、exe、dll等运行依赖以及png、jpg图像素材、xml配置、pth模型权重、bat与cfg脚本等整体约197.41MB目录结构完整便于按模块查阅与二次开发。目前已有60人学习关注。项目源码经过实际测试运行功能可用并附有详细文档涵盖人脸检测、特征提取、考勤记录等关键环节读者可据此理解系统架构、调试思路与部署流程也能在现有代码基础上修改扩展实现签到统计、数据导出等个性化功能。1. 从一张打卡照片说起Python OpenCV 人脸考勤到底能跑多稳公司行政把一台旧笔记本架在前台屏幕上跑着一个 Python 脚本摄像头对着进门方向。员工走近框出人脸、比对工号、写一条打卡记录到 CSV整个过程不到一秒。这套东西的核心就是 Python 加 OpenCV 的人脸识别考勤系统也是很多中小团队想自己搭一套时最先想到的方案。它解决的不是识别得多准这种学术问题而是今天谁来了、几点来的、有没有代打卡这种每天都要出结果的现实需求。适合谁适合会一点 Python、能装库、愿意调参数的后端或运维同学也适合想拿它当毕业设计或内部工具练手的开发者。资料齐全加详细文档这类打包资源价值不在代码多花哨而在于它把环境、采集、训练、识别、记录这条链路完整串起来了你照着能跑通再按自己场景改。2. 环境搭不起来后面全是空谈OpenCV 与 Python 的安装与验证2.1 为什么选 OpenCV 而不是别的库人脸考勤这条链路要做的事很明确读摄像头帧、检测人脸、提取特征、比对、写记录。OpenCV 一个人把读帧、图像预处理、检测器、绘图全包了opencv-contrib-python里还直接带了 LBPH 人脸识别器不需要你再单独编译 dlib 或者配深度学习环境。对于考勤这种几十到几百人的小规模场景LBPH 加 Haar 级联的精度够用速度在普通 CPU 上就能实时。选它的核心理由是依赖少、装得快、出问题好查。如果你一上来就上深度学习模型显卡、CUDA、模型文件、推理框架一层层叠上去光环境就能耗掉两天而考勤系统真正难的地方在工程细节不在模型本身。2.2 安装命令与常见报错处理先确认 Python 版本建议 3.8 到 3.10太新的版本某些轮子还没跟上。python --version pip install opencv-python opencv-contrib-python numpy pillow装完立刻验证别等到写代码时才发现没装上。import cv2 import numpy as np print(cv2.__version__) # 确认 contrib 模块在LBPH 依赖它 print(hasattr(cv2, face))如果报ModuleNotFoundError: No module named opencv九成是装到了另一个 Python 环境里。用pip -V看 pip 对应的解释器路径和python -c import sys; print(sys.executable)对比不一致就改用python -m pip install。如果cv2.face不存在说明你装的是opencv-python而不是opencv-contrib-python两个都装会互相覆盖先pip uninstall再只装 contrib 版本。VSCode 里配环境时右下角选解释器要选到你装库的那个否则编辑器报红但命令行能跑这种玄学问题多半就是解释器选错了。提示装库时加国内镜像源能省不少时间但别把镜像源写死进项目文档换台机器就失效。2.3 摄像头读取的最小验证在写考勤逻辑前先用十行代码确认摄像头能出画面。import cv2 cap cv2.VideoCapture(0) # 0 是默认摄像头外接的可能是 1 if not cap.isOpened(): print(摄像头打不开检查占用或驱动) exit() while True: ret, frame cap.read() if not ret: break cv2.imshow(test, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()VideoCapture(0)的参数是设备索引笔记本自带一般是 0USB 外接的试 1 或 2。waitKey(1)里的 1 是毫秒等待太小画面卡太大延迟高考勤场景 1 到 30 都行。如果read()一直返回 False先看摄像头是不是被会议软件占用了这是最常见的翻车点。3. 从采集到训练把人脸数据变成能比对的特征3.1 采集阶段的关键参数采集就是给每个员工拍一批人脸图存到以工号命名的文件夹里。这里有几个参数直接决定后面识别率。检测器用 Haar 级联scaleFactor设 1.1 到 1.3太小检测慢太大漏脸minNeighbors设 5 左右太低误检多太高漏检。采集数量每人 30 到 50 张太少特征不稳太多训练慢且收益递减。采集时要覆盖不同角度和光照别只拍正脸一张否则真人稍微侧头就认不出。import cv2 import os face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml) def collect(emp_id, save_dirdataset, max_count40): os.makedirs(os.path.join(save_dir, str(emp_id)), exist_okTrue) cap cv2.VideoCapture(0) count 0 while count max_count: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.2, 5) for (x, y, w, h) in faces: count 1 face gray[y:yh, x:xw] face cv2.resize(face, (200, 200)) # 统一尺寸训练必需 cv2.imwrite(f{save_dir}/{emp_id}/{count}.jpg, face) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(collect, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()resize到 200x200 是为了让所有样本尺寸一致LBPH 虽然对尺寸不敏感但统一后训练更稳。detectMultiScale返回的是列表一帧可能检测到多张脸采集时最好限制只取最大的一张避免把背景里的人脸也存进去。3.2 训练 LBPH 识别器LBPH 的原理是把人脸分成小格每格算局部二值模式直方图最后拼成特征向量。它对人脸光照变化有一定容忍度训练快适合小数据集。import cv2 import numpy as np import os def train(dataset_dirdataset, model_pathtrainer.yml): recognizer cv2.face.LBPHFaceRecognizer_create() faces, ids [], [] for emp_id in os.listdir(dataset_dir): emp_dir os.path.join(dataset_dir, emp_id) if not os.path.isdir(emp_dir): continue for img_name in os.listdir(emp_dir): img_path os.path.join(emp_dir, img_name) gray cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if gray is None: continue faces.append(gray) ids.append(int(emp_id)) recognizer.train(faces, np.array(ids)) recognizer.save(model_path) print(f训练完成共 {len(faces)} 张{len(set(ids))} 人)LBPHFaceRecognizer_create()可以传参数radius默认 1neighbors默认 8grid_x和grid_y默认 8一般不用改。如果识别率低先把grid_x、grid_y调到 10 试试格子越细对细节越敏感但也更容易受噪声影响。ids必须是整数数组工号用字符串会报错这是新手常踩的坑。3.3 识别与置信度阈值识别时predict返回工号和置信度置信度是距离越小越像。阈值设多少直接决定误识和漏识的平衡。import cv2 recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer.yml) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml) THRESHOLD 70 # 经验值需按实际数据调 cap cv2.VideoCapture(0) while True: ret, frame cap.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.2, 5) for (x, y, w, h) in faces: face cv2.resize(gray[y:yh, x:xw], (200, 200)) emp_id, conf recognizer.predict(face) if conf THRESHOLD: label fID:{emp_id} conf:{conf:.1f} else: label unknown cv2.putText(frame, label, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(attendance, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()阈值 70 是常见起点但必须用你自己的数据测。方法很简单让同一个人在不同光照下测十次记录 conf 值取偏大的那个作为上限再让陌生人测记录最小 conf取偏小的作为下限阈值取两者中间。如果两个区间重叠说明数据质量不够回去补采集。4. 考勤逻辑与数据落盘别让识别结果只停在屏幕上4.1 打卡去重与时间窗口识别出人只是第一步考勤要的是今天第一次出现算上班最后一次算下班。最简单的做法是按天按人记录同一天同一人只写第一条和最后一条。import csv import os from datetime import datetime, date def mark_attendance(emp_id, record_fileattendance.csv): today date.today().isoformat() now datetime.now().strftime(%H:%M:%S) rows [] if os.path.exists(record_file): with open(record_file, r, newline, encodingutf-8) as f: rows list(csv.reader(f)) # 找今天这个人的记录 found None for r in rows: if len(r) 4 and r[0] today and r[1] str(emp_id): found r break if found is None: rows.append([today, str(emp_id), now, now]) # 首次上班时间 else: found[3] now # 更新下班时间 with open(record_file, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerows(rows)这个逻辑每识别到一次就写一次文件频繁 IO 在人多时会卡。实际部署时改成内存里维护一个字典每隔几秒或识别状态变化时才落盘。date.today()和datetime.now()依赖系统时间服务器时间不对会导致考勤全乱部署前先对时。4.2 防代打卡的几个土办法纯人脸识别挡不住拿照片对着摄像头的人。低成本的做法是加活体检测的简化版要求眨眼或转头。OpenCV 自带的眼睛检测器可以判断眼睛开合连续几帧检测到闭眼再睁眼就算一次眨眼。eye_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_eye.xml) def blink_detected(gray_face): eyes eye_cascade.detectMultiScale(gray_face, 1.1, 4) return len(eyes) 0 # 简化检测不到眼睛视为闭眼这个判断很粗糙戴眼镜或光线暗时容易误判。更稳的做法是记录连续帧的眼睛数量变化从有到无再到有才算一次眨眼。如果不想做活体至少把摄像头架高一点、加个补光灯让照片不好举。另一个办法是打卡后随机弹一个动作提示比如请向左转头配合简单的头部姿态估计成本比深度学习活体低得多。4.3 数据表结构建议CSV 适合几十人上百人建议换 SQLite查询和并发都更好。字段类型说明dateTEXT日期YYYY-MM-DDemp_idINTEGER工号check_inTEXT上班打卡时间check_outTEXT下班打卡时间confidenceREAL识别置信度用于排查置信度存下来很有用后面发现某人总是识别失败翻记录看 conf 是不是一直偏高就能判断是数据问题还是阈值问题。5. 避坑与排查那些让考勤系统翻车的细节5.1 识别忽好忽坏同一个人有时认不出现象是上午能识别下午就报 unknown。原因多半是光照变化LBPH 对强逆光和侧光敏感。解决方法是采集时就把不同时段的光照样本拍进去或者在识别前做直方图均衡化cv2.equalizeHist(gray)让灰度分布拉平。如果还不行在摄像头旁加一个恒定光源减少环境光波动。5.2 摄像头读几帧就卡死或花屏现象是程序跑几分钟后画面冻结。原因是cap.read()的缓冲区堆积处理速度跟不上采集速度。解决办法是每次循环只取最新帧或者把VideoCapture的缓冲区设小cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)。另外waitKey不能省没有它 GUI 事件不刷新画面也会假死。5.3 训练时报 labels 类型错误现象是recognizer.train抛异常提示标签类型不对。原因是ids列表里混了字符串。工号从文件夹名来os.listdir返回的是字符串必须int()转换。如果工号本身带字母LBPH 不支持字符串标签得自己维护一个映射表把字符串工号转成整数再训练识别后再转回来。5.4 多人同时出现在画面里只识别一个现象是两个人一起进门只框出一个。原因是detectMultiScale虽然返回多张脸但你的打卡逻辑只取了第一张。解决是把 for 循环里每个人都走一遍识别和记录但要注意同一帧里同一个人不要重复写。另外 Haar 检测器对侧脸和遮挡本来就弱两个人挨太近时可能只检出一张这种场景建议改成一人一刷或者换更稳的检测模型。5.5 打包成 exe 后找不到模型文件现象是脚本能跑打包后报trainer.yml不存在。原因是打包工具没把模型和级联文件带进去。解决是用--add-data把trainer.yml和haarcascade_frontalface_default.xml一起打进去代码里用sys._MEIPASS拼路径。级联文件也可以直接从cv2.data.haarcascades读但打包后这个路径可能变最稳的是把 xml 复制到项目目录里一起打包。6. 把识别率再往上推一档几个我实际用过的调优手法第一招是样本增强。采集完每个人的人脸后用 OpenCV 做一批小幅度的旋转、平移、加噪把每人样本从 40 张扩到 200 张左右。LBPH 对这类增强不敏感但能覆盖更多姿态实测在侧脸场景下识别率能提十几个点。代码很简单cv2.warpAffine做旋转np.random.normal加高斯噪声注意别增强过头旋转超过 15 度就失真了。第二招是双阈值策略。识别时设两个阈值低于低阈值直接通过高于高阈值直接拒绝中间区间要求再测一帧连续两帧都在中间区间且工号一致才通过。这样能压掉大部分偶发误识代价是多花一两百毫秒。对于考勤这种不要求极致速度的场景完全值得。第三招是定期重训。人员变动、换发型、戴眼镜都会让旧模型变差。我一般设一个每月提醒把当月识别置信度偏高的样本挑出来人工确认后补进数据集重新训练。重训不用停服务训练几秒钟的事新模型文件替换后下次识别自动加载。第四招是日志留痕。每次识别无论成功失败都写一条日志包含时间、置信度、是否通过。出问题时翻日志比猜快得多。我吃过亏有次行政说某人天天迟到查日志发现是摄像头角度偏了那人每次都要歪头才能被识别记录时间自然偏晚。调了摄像头角度就正常了。最后一招别追求 100% 识别率。考勤系统里识别失败是可以接受的只要失败时能走备用流程比如输入工号加密码。真正不能接受的是把 A 认成 B那会直接导致考勤数据错乱。所以阈值宁可严一点让认不出的走人工也别放宽到乱认。这套系统我前后搭过三次每次都是识别本身不难难的是让它在真实环境里稳定跑下去。希望帮到你。本文还有配套的精品资源点击获取