基于Python与OpenCV的人脸考勤系统：完整源码+数据库+实战教程

一、系统背景与核心价值

在数字化转型浪潮下，传统考勤方式（如指纹打卡、IC卡）存在代打卡、设备维护成本高等问题。基于人脸识别的考勤系统通过生物特征唯一性，实现无接触、高精度的身份验证，成为企业、学校等场景的优选方案。本系统结合Python的简洁性、OpenCV的计算机视觉能力及数据库的持久化存储，构建了一套低成本、可扩展的解决方案。

核心优势

1. 非接触式识别：避免物理接触，符合卫生安全需求。
2. 高准确性：通过深度学习模型（如Dlib或FaceNet）提升识别率。
3. 数据可追溯：数据库记录考勤时间、人员信息，支持报表生成。
4. 低成本部署：仅需普通摄像头和PC即可运行。

二、技术栈与工具准备

1. 开发环境

• Python 3.8+：主开发语言。
• OpenCV 4.5+：图像处理与人脸检测。
• Dlib/FaceNet：人脸特征提取（可选）。
• SQLite/MySQL：轻量级数据库存储考勤数据。
• PyQt5/Tkinter：可选GUI界面开发。

2. 依赖库安装

通过pip安装核心库：

pip install opencv-python dlib numpy sqlite3 pandas
# 若使用MySQL
pip install pymysql

三、系统架构设计

1. 功能模块划分

• 人脸采集模块：注册新用户，存储人脸特征。
• 人脸识别模块：实时检测并匹配人脸。
• 数据库模块：管理用户信息与考勤记录。
• 考勤管理模块：生成报表、查询历史记录。

2. 数据库设计（SQLite示例）

-- 用户表
CREATE TABLE users (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    name TEXT NOT NULL,
    face_encoding BLOB NOT NULL,  -- 存储人脸特征向量
    register_time DATETIME DEFAULT CURRENT_TIMESTAMP
);
-- 考勤记录表
CREATE TABLE attendance (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    user_id INTEGER NOT NULL,
    check_in_time DATETIME DEFAULT CURRENT_TIMESTAMP,
    status TEXT CHECK(status IN ('IN', 'OUT')),
    FOREIGN KEY (user_id) REFERENCES users(id)
);

四、核心代码实现

1. 人脸检测与特征提取

使用OpenCV和Dlib实现人脸检测及128维特征向量提取：

import cv2
import dlib
import numpy as np
# 初始化Dlib的人脸检测器和特征提取器
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
def get_face_encoding(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector(gray, 1)
    if len(faces) == 0:
        return None
    face = faces[0]
    shape = sp(gray, face)
    face_encoding = facerec.compute_face_descriptor(img, shape)
    return np.array(face_encoding)

2. 实时人脸识别与考勤

通过摄像头实时检测并匹配人脸：

def real_time_attendance():
    cap = cv2.VideoCapture(0)
    known_faces = {}  # {user_id: face_encoding}
    # 加载已知人脸（示例）
    # 实际应从数据库加载
    while True:
        ret, frame = cap.read()
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = detector(gray, 1)
        for face in faces:
            shape = sp(gray, face)
            face_encoding = facerec.compute_face_descriptor(frame, shape)
            # 匹配已知人脸
            for user_id, known_encoding in known_faces.items():
                distance = np.linalg.norm(np.array(face_encoding) - np.array(known_encoding))
                if distance < 0.6:  # 阈值可根据实际调整
                    print(f"识别成功：用户ID {user_id}")
                    # 记录考勤到数据库
                    record_attendance(user_id)
                    break
        cv2.imshow("Attendance System", frame)
        if cv2.waitKey(1) == 27:  # ESC键退出
            break
    cap.release()
    cv2.destroyAllWindows()

3. 数据库操作（SQLite示例）

import sqlite3
def init_db():
    conn = sqlite3.connect("attendance.db")
    cursor = conn.cursor()
    cursor.execute("""
        CREATE TABLE IF NOT EXISTS users (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            name TEXT NOT NULL,
            face_encoding BLOB NOT NULL
        )
    """)
    cursor.execute("""
        CREATE TABLE IF NOT EXISTS attendance (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            user_id INTEGER NOT NULL,
            check_in_time DATETIME DEFAULT CURRENT_TIMESTAMP,
            status TEXT CHECK(status IN ('IN', 'OUT')),
            FOREIGN KEY (user_id) REFERENCES users(id)
        )
    """)
    conn.commit()
    conn.close()
def add_user(name, face_encoding):
    conn = sqlite3.connect("attendance.db")
    cursor = conn.cursor()
    cursor.execute(
        "INSERT INTO users (name, face_encoding) VALUES (?, ?)",
        (name, face_encoding.tobytes())
    )
    conn.commit()
    conn.close()
def record_attendance(user_id, status="IN"):
    conn = sqlite3.connect("attendance.db")
    cursor = conn.cursor()
    cursor.execute(
        "INSERT INTO attendance (user_id, status) VALUES (?, ?)",
        (user_id, status)
    )
    conn.commit()
    conn.close()

五、完整项目部署步骤

1. 环境配置

1. 安装Python 3.8+及依赖库。
2. 下载Dlib预训练模型（shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat）。
3. 初始化数据库：运行init_db()。

2. 用户注册流程

1. 调用摄像头采集用户人脸。
2. 提取特征并存储到数据库：

   # 示例：注册新用户
   user_name = input("输入用户名：")
   face_encoding = get_face_encoding("user_photo.jpg")  # 或实时采集
   add_user(user_name, face_encoding)

3. 启动考勤系统

运行real_time_attendance()，系统将自动检测人脸并记录考勤。

六、优化与扩展建议

1. 性能优化：

   • 使用多线程处理视频流与数据库操作。
   • 对人脸特征向量进行PCA降维，减少计算量。

2. 功能扩展：

   • 添加活体检测（如眨眼检测）防止照片攻击。
   • 集成Web界面，支持远程查询考勤记录。
   • 使用MySQL替代SQLite，支持高并发场景。

3. 错误处理：

   • 添加异常捕获（如数据库连接失败、摄像头占用）。
   • 日志记录系统运行状态。

七、源码与教程获取

完整源码（含数据库脚本、UI界面、详细注释）及分步教程已打包，关注公众号或访问GitHub仓库获取。项目支持二次开发，可根据需求调整识别阈值、数据库结构等参数。

结语：本系统通过Python与OpenCV的组合，实现了低成本、高精度的人脸考勤方案。无论是企业办公还是学校管理，均可快速部署并定制功能。未来可结合深度学习框架（如TensorFlow）进一步提升识别率，适应更复杂的场景需求。