引言
随着人工智能技术的飞速发展，人脸识别技术已广泛应用于安防、金融、教育等多个领域。本文将带领大家利用Python的face-recognition库、OpenCV和SQLite数据库，从零开始构建一个具备异常报警功能的人脸识别考勤系统。该系统能够实时检测视频流中的人脸，与预存数据库进行比对，自动记录考勤信息，并在检测到未注册人员时触发报警。通过本文的学习，你将掌握以下技能：
- 人脸特征提取与数据库构建
- 实时视频流处理与人脸识别
- 考勤记录管理与异常报警
- 模型优化与部署基础
技术栈简介
- Python：作为核心编程语言，提供丰富的库支持。
- face-recognition：基于dlib的深度学习模型，用于高效的人脸识别。
- OpenCV：开源计算机视觉库，处理图像和视频流。
- SQLite：轻量级数据库，用于存储人脸特征及考勤记录。
环境搭建
首先，确保安装以下依赖库：
bash复制代码pip install face-recognition opencv-python numpy sqlite3
一、构建人脸特征数据库
步骤1：采集人脸图像
- 创建
dataset文件夹，按员工姓名建立子文件夹（如Alice、Bob），每个子文件夹内存放该员工的清晰正面照片（至少5张）。
步骤2：提取人脸特征并存储
import face_recognition
import sqlite3
import os# 连接SQLite数据库
conn = sqlite3.connect('attendance.db')
c = conn.cursor()# 创建表存储人脸特征
c.execute('''CREATE TABLE IF NOT EXISTS faces(id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT, encoding BLOB)''')# 遍历dataset文件夹，提取人脸特征
def load_faces():for root, dirs, files in os.walk('dataset'):for dir_name in dirs:person_dir = os.path.join(root, dir_name)for file in os.listdir(person_dir):file_path = os.path.join(person_dir, file)image = face_recognition.load_image_file(file_path)encodings = face_recognition.face_encodings(image)if len(encodings) > 0:encoding = encodings[0]c.execute("INSERT INTO faces (name, encoding) VALUES (?, ?)", (dir_name, sqlite3.Binary(encoding.tobytes())))conn.commit()load_faces()
conn.close()
二、实时视频流处理
步骤1：捕获视频流
import cv2video_capture = cv2.VideoCapture(0) # 使用默认摄像头
步骤2：实时人脸识别
import numpy as npknown_face_encodings = []
known_face_names = []# 从数据库加载已知人脸数据
conn = sqlite3.connect('attendance.db')
c = conn.cursor()
c.execute("SELECT name, encoding FROM faces")
rows = c.fetchall()for row in rows:name = row[0]encoding = np.frombuffer(row[1], dtype=np.float64)known_face_encodings.append(encoding)known_face_names.append(name)conn.close()while True:ret, frame = video_capture.read()# 调整帧大小以提高处理速度small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)# 转换颜色空间rgb_small_frame = small_frame[:, :, ::-1]# 查找所有人脸位置及特征face_locations = face_recognition.face_locations(rgb_small_frame)face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)# 遍历检测到的人脸for face_encoding in face_encodings:matches = face_recognition.compare_faces(known_face_encodings, face_encoding)name = "Unknown"# 使用阈值提高识别准确性face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)best_match_index = np.argmin(face_distances)if matches[best_match_index] and face_distances[best_match_index] < 0.6:name = known_face_names[best_match_index]# 在画面上标注识别结果top, right, bottom, left = face_locations[0]top *= 4right *= 4bottom *= 4left *= 4cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)cv2.putText(frame, name, (left + 6, bottom - 6), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)cv2.imshow('Video', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakvideo_capture.release()
cv2.destroyAllWindows()
三、考勤记录系统开发
步骤1：创建考勤表
CREATE TABLE attendance (id INTEGER PRIMARY KEY AUTOINCREMENT,name TEXT,timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
);
步骤2：集成考勤记录功能
修改实时识别代码，添加考勤记录逻辑：
# 在识别到已知人脸后添加
if name != "Unknown":conn = sqlite3.connect('attendance.db')c = conn.cursor()c.execute("INSERT INTO attendance (name) VALUES (?)", (name,))conn.commit()conn.close()
四、异常报警与邮件通知
步骤1：定义异常规则
例如：非工作时间段考勤、连续多次未识别到人脸等。
步骤2：实现邮件通知
import smtplib
from email.mime.text import MIMETextdef send_alert(message):msg = MIMEText(message)msg['Subject'] = '考勤异常警报'msg['From'] = 'your_email@example.com'msg['To'] = 'admin@example.com'with smtplib.SMTP('smtp.example.com', 587) as server:server.login('your_email@example.com', 'your_password')server.sendmail('your_email@example.com', ['admin@example.com'], msg.as_string())# 在检测到未知人脸时触发报警
if name == "Unknown":send_alert("检测到未注册人员！")
五、模型优化与部署
优化策略
- 算法优化：使用更高效的模型（如MobileFaceNet）
- 硬件加速：利用GPU加速计算
- 多线程处理：分离视频采集与识别任务
部署建议
- 容器化部署：使用Docker打包应用
- API服务化：将核心功能封装为REST API
- 监控集成：添加系统健康检查与日志记录
总结
本文完整展示了基于Python生态构建人脸识别考勤系统的全过程，从数据采集到模型部署，涵盖了计算机视觉应用的典型流程。通过实践，读者不仅掌握了具体技术的实现细节，更能理解系统设计中的权衡与优化思路。该系统可进一步扩展为更复杂的应用场景，如结合门禁控制、体温检测等功能，构建智慧办公解决方案。
希望本文能成为你探索计算机视觉领域的起点，激发更多创新应用的灵感！
