简介这是一套面向计算机专业毕业生与课程设计、期末大作业学生的 Python 人脸识别考勤系统完整源码基于深度学习实现人脸检测、特征提取与签到统计可以用来解决传统刷卡或人工考勤易代签、效率低的问题适合作为毕业设计项目直接改造或跟随源码学习实战。压缩包共25个文件大小约239.41MB包含3个Python脚本核心识别与界面逻辑、PNG界面素材、MSYH字体、ICO图标、API配置项、DOCX使用手册及项目说明文件结构清晰可按模块阅读。目前已有166人浏览学习。源码之外还配有手册和目录说明可帮助理解从视频帧人脸定位到用户信息管理的完整流程同时具备完整项目目录与已整理好的配置、接口文件便于直接对接摄像头或视频输入也适合需要快速搭建可演示毕业设计场景的学习者参考。1. 先搞懂一个大方向人脸识别考勤系统到底是个什么东西很多同学一听到“基于深度学习的人脸识别考勤系统”第一反应就是这得有多难是不是要自己训练一个神经网络别慌。它说白了就是把你公司楼下那种“刷脸打卡机”用 Python 重新做了一遍——摄像头拍到你认出来你是谁自动记下“某某几点签到成功”。深度学习在这儿的角色是替你干“认人”这个脏活累活你不需要从零发明算法。它解决的是传统考勤的经典痛点卡会丢、指纹会失灵、代打卡没法防。人脸当凭证人走到摄像头前就完成签到。这套系统特别适合正在做毕业设计或课程设计、需要一套能跑通又能讲清楚原理的 Python 项目的计算机类学生也适合刚学完 Python 基础、想看看真实项目长什么样的学习者。2. 为什么要用深度学习来做考勤从“认卡”到“认脸”的升级逻辑2.1 传统考勤的痛点指纹打卡和刷脸打卡差的不是一点点你可以先回忆一下自己见过的考勤方式。最早的是磁卡打卡机人手一张卡上班插进去“滴”一下。听起来方便但问题很多卡容易丢、容易忘带、同事之间还能互相代刷。后来升级成指纹机痛点是手指脱皮、出汗、沾灰的时候识别率断崖式下降而且每天上班要把手指按在一个公共设备上多少有点卫生顾虑。人脸识别考勤把这些痛点一个个解决。它不需要你携带任何实体凭证人脸就是你的“ID”也不需要接触设备人走到摄像头前系统自动完成抓拍和识别。更重要的是防代打卡摄像头拍到的是活生生的脸不像一张卡可以被别人拿走。从管理者的角度看考勤数据自动生成、自动归档月底导出一份报表就行省掉了人工核对的时间。很多新手容易把“人脸识别考勤系统”理解成一个单一的算法其实它是个完整的软件系统。哪怕识别算法再准如果没有界面、没有考勤记录模块、没有人员信息管理它也只是一个算法 Demo不叫“考勤系统”。所以你在做毕设的时候要有一个整体意识算法只占一部分业务逻辑和界面同样重要。这也是为什么这套系统的项目文件里既有识别模块又有 UI 文件、配置文件、静态资源和使用手册。2.2 深度学习在这里做了什么一句大白话讲清“人脸特征提取”你不需要重新发明算法但得能讲明白深度学习在这个项目里干了什么否则答辩的时候很容易被问住。我习惯用一个类比来解释每个人的脸就像一篇作文浅层的东西是“用词”深层的东西是“风格”。传统识别方法只能看用词比如量一量两只眼睛的距离、鼻子的宽度而深度学习看的是整篇作文的风格它能自动发现哪些组合能区分不同的人。具体到技术上深度学习模型通常是卷积神经网络简称 CNN做的事情是把一张人脸图片压缩成一个“特征向量”。你可以把这个向量理解成一串专属数字比如 [0.52, -0.11, 0.73, ...]。同一张人脸在不同角度、不同光线下拍出来的特征向量在数学空间里距离很近不同两个人的特征向量距离很远。识别过程就两句话先把你的人脸图片也转成特征向量然后拿它去和数据库里所有已知人脸的特征向量做距离比对。距离小于某个阈值就认为是同一个人。这个阈值在代码里一般叫 tolerance调大一点更宽松不容易漏报但容易认错人调小一点更严格不容易认错但容易识别失败。这个环节里有个新手常犯的理解错误认为深度学习模型需要自己训练。其实这套系统用的是别人训练好的预训练模型你用的时候是“调用”而不是“训练”。你需要在意的只是怎么把图片喂进去、怎么拿到特征向量、怎么设好阈值。想深入学习的时候再去研究模型内部结构也不迟入门阶段先会用、能讲清楚流程已经足够应付毕设了。2.3 系统技术框架拆解Python 在这个项目里扮演什么角色整个考勤系统可以拆成四层每一层都有明确分工层次职责对应到项目里的东西采集层调用摄像头获取实时视频帧OpenCV、系统摄像头识别层检测人脸位置提取特征比对人脸face.py、预训练模型业务层记录签到时间、判断迟到缺勤、管理用户config、考勤记录模块展示层把视频画面和识别结果显示给用户Ui_test_01.py、static 静态资源Python 在这套系统里是“胶水语言”它把摄像头、深度学习模型、界面组件粘在一起。你写的大部分代码不是在发明算法而是在“调度”这帧图像传给识别函数识别结果传给界面显示签到记录写入文件或数据库。想清楚这一点你就不会觉得它高不可攀了。有一个建议给你拿到项目后先别急着运行先按上面的分层方式把文件对应起来。比如 face.py 属于识别层Ui_test_01.py 属于展示层static 目录里那些图片是界面用的素材config 里存的是可调整的配置项。当你脑子里有了分层地图遇到报错时就能快速定位——是摄像头的问题识别的问题还是界面调用的问题这个排查思路比记住任何一条具体代码都重要。3. 第一步怎么迈拿到源码后先装环境再跑通第一个界面3.1 环境准备清单Python 版本、依赖库、摄像头入门的话建议先把 Python 环境装好。以这套系统为例深度学习相关的库对 Python 版本有一定要求太新的版本比如 3.12反而可能装不上某些依赖。我的建议是使用 Python 3.7 ~ 3.9 之间的版本兼容性最稳。这不是玄学而是很多开源库在更早版本上测试得最多。打开终端Windows 用 CMD 或 PowerShellmacOS 用 Terminal先确认 Python 装好了# 检查 Python 版本 python --version # 检查 pip 包管理工具 pip --version如果提示“不是内部或外部命令”说明 Python 没加到系统环境变量里。解决方法是安装 Python 时勾选“Add Python to PATH”或者重新安装一次。这一步是新手第一个容易卡住的地方但解决起来也就一分钟的事。接下来安装依赖。深度学习的 Python 项目一般都有一个 requirements.txt 文件里面列了所有依赖库。这套系统核心依赖包括 OpenCV摄像头和图像处理和 face_recognition人脸识别封装库另外界面层可能还需要 GUI 库。你可以先手动装最核心的两个# 安装 OpenCV负责摄像头读取和图像处理 pip install opencv-python # 安装 face_recognition人脸检测和特征提取的封装库 pip install face_recognition你可能会遇到 face_recognition 装不上因为它在 Windows 上依赖 dlib 这个 C 库。如果报错可以搜索“dlib whl”下载对应 Python 版本的预编译包先装 dlib 再装 face_recognition。我在第一次装这个库的时候也折腾了两个小时后来发现多半是版本不对换成预编译包就顺利了。另外记得准备一个摄像头笔记本自带的就行台式机可以插一个 USB 摄像头几十块的完全够用。3.2 项目文件结构每个文件是干什么的先别乱删拿到一个陌生项目第一件事不是打开源码而是先看目录结构找到“入口文件”。这套系统的入口文件是 Ui_test_01.py名字里带 UI一看就是界面启动入口。项目里还有这些关键内容文件/目录作用新手需要关注什么face.py人脸识别核心模块理解识别返回的数据格式Ui_test_01.py考勤系统主界面入口从这里启动项目config配置文件路径、参数等可调整项static静态资源按钮、背景图等别删除界面显示依赖它们手册.docx使用说明文档先读它能少踩很多坑人脸识别-软件.zip打包好的可执行版本不想折腾环境可以直接用msyh.ttf中文字体文件没有它界面中文会乱码新手最容易犯的错误是“看着哪个文件都不顺眼删了再说”。比如 face.py 旁边的init.py这个文件告诉 Python“这个目录是一个包”删掉后导入就会失败。static 目录里的图片比如 llz_background.png 是界面背景图删除后界面会变成一片空白。我的经验是在还没完全读懂项目之前任何文件都别删先跑通再理解理解了再动手改。3.3 跑通第一个例子让考勤界面在你电脑上弹出来环境装好之后进入项目主目录运行主界面文件# 如果你是 Windows项目在 D 盘某个路径下 cd /d D:\face-master # 运行考勤系统主界面 python Ui_test_01.py如果你是更习惯用 PyCharm 的同学操作方式是File → Open 选中项目文件夹然后在项目面板里右键点击 Ui_test_01.py选择“Run”。第一次运行时系统会弹出考勤系统的主窗口界面上有摄像头视频区域和操作按钮。这时如果摄像头指示灯亮了说明系统已经在调用摄像头了。第一次跑通后不要急着关窗口多观察几秒。你会看到界面上有视频画面、签到按钮、用户信息区域。对着摄像头露个脸如果系统识别出你界面上会显示类似“签到成功”的反馈。没识别出来也没关系先确认“界面能弹出来、摄像头画面能显示”这已经意味着环境配置成功了。如果界面弹出来了但中文全是乱码大概率是缺少中文字体文件 msyh.ttf 导致的。解决办法是把字体文件放到项目对应目录或者装一个微软雅黑字体到系统里。这个坑在打包成 exe 时也会遇到后面第 5 章会说。4. 核心模块拆解人脸识别和考勤逻辑是怎么配合的4.1 人脸识别模块face.py 里到底做了什么当你成功跑起来之后接下来要干的事情就是搞清楚代码里发生了什么。face.py 是整个系统的核心模块它做的事情可以用四步概括读画面、找脸、提特征、做比对。为了让思路更直观我写一个简化版的人脸识别核心逻辑不是项目原码但流程一致# 简化版人脸识别逻辑理解核心流程用 import cv2 import face_recognition # 假设已知学生的人脸特征已经提前加载进来 # 每个元素是一串特征向量对应一个人 known_encodings load_known_faces_from_db() # 从数据库或文件夹加载 def recognize(frame): # 1. 把画面缩小加速识别 small_frame cv2.resize(frame, (0, 0), fx0.5, fy0.5) # 2. 找出画面中所有脸的位置 face_locations face_recognition.face_locations(small_frame) # 3. 提取当前人脸的特征向量 face_encodings face_recognition.face_encodings(small_frame, face_locations) # 4. 和库里每个已知特征做距离比对 for encoding in face_encodings: matches face_recognition.compare_faces(known_encodings, encoding, tolerance0.5) if True in matches: return 识别成功 return 未识别注意看每一步的参数。fx0.5, fy0.5是把画面缩小一半为什么因为深度学习模型对输入尺寸有一定要求而且画面越小计算越快考勤系统要求实时响应不能让人站在摄像头前等三秒。tolerance0.5是比对容差这个值可以直接影响识别率。你写论文的时候完全可以做一组对比实验分别把 tolerance 设成 0.4、0.5、0.6统计识别成功率这就是一个现成的实验章节。face_recognition 库最核心的一个使用方式是先用face_encodings()把人脸转成特征向量再用compare_faces()做比对。这两行代码背后可能是几十万参数的网络但你在应用层面只需要理解输入输出。这就回到了第 2 章说的深度学习模型在这个项目里是“被调用的工具”不是“你要训练的东西”。4.2 考勤记录逻辑识别成功之后怎么才算“签到成功”识别出一个人只是第一步考勤系统还得回答一个问题“这人现在签到算正常还是算迟到”这就涉及业务逻辑层。正常的考勤流程是识别出学号 → 获取当前时间 → 和设定的考勤规则比较 → 写入考勤记录。来看一段考勤判定的示意代码# 考勤判定逻辑演示 import datetime def mark_attendance(student_id): now datetime.datetime.now() hour now.hour if hour 9: status 正常 elif hour 10: status 迟到 else: status 缺勤 # 把结果写入记录文件或插入数据库 record f{student_id},{now.strftime(%Y-%m-%d %H:%M:%S)},{status}\n with open(attendance.txt, a, encodingutf-8) as f: f.write(record) return status这段代码的思路很直接9 点前签到算正常9 点到 10 点算迟到10 点以后算缺勤。实际项目里规则可能更细比如“同一个人一小时内重复签到只算一次”“一天只能签到一次”等等。这些规则就是你在答辩时展示业务理解的地方。为什么我建议你专门研究一下这段逻辑因为很多新手拿到项目后只盯着识别算法看忽略了这个考勤规则模块。但面试官或答辩老师往往会问“如果同一个学生反复出现在摄像头前怎么防止重复签到”或者“考勤记录存在哪里是文件还是数据库”这些问题都是围绕业务逻辑来的答不上来就露馅了。4.3 UI 界面模块界面代码怎么把摄像头和识别串起来前面说过 Ui_test_01.py 是入口文件它最大的作用是“串”。把摄像头、识别、结果显示三件事通过界面事件串起来。用大白话说就是界面上有个“开始签到”按钮你一按程序就会打开摄像头开始一帧一帧地处理画面并把结果显示在标签上。这个思路可以用一段伪代码帮你理解# 界面按钮回调逻辑示意 def on_btn_start_clicked(self): # 打开摄像头0 表示第一个摄像头设备 self.cap cv2.VideoCapture(0) # 启动一个定时器每 30 毫秒触发一次刷新 self.timer.start(30) def on_timer_tick(self): # 每次刷新做三件事读帧、识别、显示 ret, frame self.cap.read() if ret: result recognize(frame) # 调用 4.1 的识别函数 self.label_name.setText(result) # 把识别结果写到界面标签 self.update_video_panel(frame) # 把画面显示到界面VideoCapture(0)里的 0 是摄像头编号。如果你电脑有多个摄像头笔记本自带一个、外接一个改成 1 就是切换另一个。定时器的 30 毫秒大约对应 33 帧每秒人眼看起来就是流畅视频。这里如果你在代码里看到timer.start()之类的方法不要慌它就是让程序“每隔一小段时间干同一件事”的机制。理解这个串接逻辑对你修改项目有很大帮助。比如说你想把“识别成功后弹一个提示框”改成“识别成功后播放一段声音”你就知道该去on_timer_tick里改你想把“显示识别结果”的文字颜色改成红色就去label_name相关的设置里找。界面层是最容易做出“自己改动”的地方毕设里加上一个小改动就能在文档里多写一段创新点。5. 新手常见问题与避坑指南跑不起来、识别不准先看这几条5.1 现象一装完依赖import 直接报错现象执行python Ui_test_01.py后命令窗口报ModuleNotFoundError: No module named face_recognition或者No module named cv2。原因最常见的有三个依赖根本没装上装到了另一个 Python 环境用 IDE 运行时 IDE 使用的是它自带的解释器而不是你装库的那个 Python。解决先输入pip list看当前环境里有哪些库确认 opencv-python 和 face_recognition 在列表中。如果你用的是 PyCharm到 File → Settings → Project → Python Interpreter 看当前解释器路径是不是你装库的那个。我遇到过一个同学他在命令行里装好了依赖PyCharm 里却是另一个解释器结果运行一秒钟就报错。这个坑不是代码问题是环境选择问题排查思路比换电脑重要。5.2 现象二摄像头打不开画面黑屏现象程序能启动界面也弹出来了但视频区域全黑或者直接报Camera index out of range之类的问题。原因摄像头正被其他软件占用摄像头索引不对笔记本摄像头被系统权限禁用或设备管理器里摄像头驱动异常。解决先关掉腾讯会议、微信视频、浏览器里的视频会议页面它们会把摄像头独占。然后把代码里的VideoCapture(0)改成VideoCapture(1)因为外接摄像头往往不是 0 号设备。再用下面这段独立脚本快速测试摄像头状态# 单独测试摄像头是否可用 import cv2 cap cv2.VideoCapture(0) ok, frame cap.read() print(摄像头可用 if ok else 摄像头打不开) cap.release()如果打印“摄像头打不开”说明问题出在系统层面去系统设置里检查隐私权限Windows 下“隐私 → 相机 → 允许桌面应用访问相机”要打开。很多复试或答辩现场设备没问题但因为权限没开演示直接翻车千万别踩。5.3 现象三识别率低换个人就“翻车”现象系统能启动摄像头也正常但识别不准——录的是 A 的脸结果 B 也识别成了 A或者 A 换个角度就识别失败。原因录入的人脸样本太少或太模糊tolerance阈值设置不合理光线环境差异太大。深度学习模型对图像质量很敏感这在行业里是常见问题不是代码 bug。解决给每个用户多录几张照片至少包含正面、左右侧脸、戴不戴眼镜各一张。然后把比对阈值调严格一点比如tolerance从 0.6 改成 0.45。注意阈值不是越小越好太小会导致同一个人的照片也识别不出来。最好的办法是做一组小实验拿同一个人的 10 张照片跑一遍记录不同阈值下的识别成功数选一个既不误判也不漏判的中间值这个实验过程写进毕设论文里就是加分项。识别率这件事要平常心看待。受光线、角度、摄像头像素影响达到 80% 以上的稳定识别已经足够在演示时用了。不要追求“所有人都百分百瞬间识别”那不现实。提前录好的测试照片多测几次、选一个光线稳定的时段录才是稳妥的做法。5.4 现象四打包成 exe 后各种报错现象在 PyCharm 里运行一切正常用 PyInstaller 打包成单文件后发给别人一打开就闪退或者报缺字体、缺图片。原因打包时只打包了 Python 代码没有把项目依赖的静态资源一起打包进去。比如界面要用的 msyh.ttf 字体文件、static 目录里的背景图片和按钮图片运行时找不到就报错。这是打包类的经典问题网络上每天都有大量的人在问。解决如果你不赶时间、不想折腾直接用项目里附带的“人脸识别-软件.zip”那是已经打包好的完整软件。如果你确实想自己打包一次用 PyInstaller 时加上资源文件参数# 打包并附带静态资源目录和字体文件 pyinstaller --add-data static;static --add-data msyh.ttf;. Ui_test_01.py注意 Windows 用分号分隔源和目标macOS/Linux 用冒号。打包完成后在生成的 dist 目录里运行可执行文件如果还报缺文件就去 dist 目录下把缺失的资源手动复制进去。我的建议是毕设演示时优先用开发环境运行把打包作为加分项不要本末倒置。6. 下一步学什么把这个项目变成你毕业设计的实战建议6.1 从“跑通”到“改懂”三个值得动手的升级方向第一把考勤记录从文本文件升级成 MySQL 数据库。这套系统现在如果用的是文件存储你可以改成用 pymysql 操作 MySQL把每一条签到记录写到数据库里。这个改动不大但对应的论文可以写“数据持久化与管理系统设计”一章。第二增加考勤报表导出功能。在界面上加一个“导出本月考勤”按钮用 pandas 或 csv 模块把考勤记录导出成 Excel 表格。这属于小型功能扩展不容易出错但能让评审老师觉得“系统完整程度高”。第三让识别从“单人识别”拓展到“多人同框识别”。face_recognition 的face_locations()本来就能定位画面中的所有脸你只需要循环处理每一张脸分别做比对和记录。这一个改动就能让你的系统从“一个人打卡”升级成“多人同时打卡”答辩竞争力提升一个等级。6.2 答辩和文档提前准备好这几个问题的答案老师最常问的三个问题你现在就可以准备答案。“为什么选深度学习”你可以回答传统人脸识别依赖人工设计的特征光线和角度变化时鲁棒性差深度学习能自动学习更鲁棒的语义特征。“模型是你训练的吗”你要诚实回答采用的是预训练模型自己做的是应用集成和系统搭建微调了阈值参数并做了测试。这时候如果能拿出你调整 tolerance 后准确率变化的实验数据老师会非常满意。第三个问题是“你的测试集是什么”我建议你提前录一组测试照片比如 8 个人、每人 10 张8 张做录入、2 张做测试算出一个识别准确率。数据是自己真实测试出来的哪怕只有 80%也比“没有数据”好得多。老师看的是你的实验思维不是数据有多漂亮。6.3 我的血泪教训别让毕设停留在“能运行”我当年第一次做类似考勤系统时跑通了就觉得万事大吉结果答辩前被老师问“考勤记录存在哪个表”“如果要支持 3000 个学生的数据量哪里会先扛不住”我当场愣住。那之后我养成了一个习惯拿到任何新项目先强制自己做四步走——读文件结构、写模块说明、跑通主流程、改造一个小功能。从那以后我每次拿到新项目都这么干再也没出现在答辩现场“脑子空白”的情况。这个四步走的方法今天也推荐给你希望帮到你。本文还有配套的精品资源点击获取