简介这是一套基于OpenCV实现的人脸识别考勤系统完整项目面向计算机相关专业正在做毕业设计的学生以及需要项目实战练习、课程设计或期末大作业的学习者。项目围绕图像采集、人脸检测、特征提取与人脸匹配四个核心环节展开涉及灰度化、直方图均衡化等预处理手段以及Eigenfaces、Fisherfaces、LBPH等经典特征提取算法适合作为入门计算机视觉与机器学习应用的实践参考。压缩包共123个文件以jpg人脸样本图像、xml分类器与配置数据、py源码脚本为主另含exe可执行程序、bat启动脚本及md说明文档整体约1.88MB目录结构清晰便于按模块查阅。项目经过严格调试可直接运行文档详细解释各功能模块的设计与实现原理并给出开发环境搭建、编译运行指南及异常处理思路。目前已有48人学习关注适合希望深入理解人脸识别流程并积累项目经验的开发者。1. 从一张打卡照片说起这套 OpenCV 人脸考勤系统到底能跑出什么上周帮一个做企业内训的朋友看他们新装的考勤机行政抱怨说员工戴着口罩站在门口反复摘戴队伍排到电梯口。我顺手翻了翻他们后台发现识别逻辑其实很粗糙——固定阈值、单帧比对、没有活体判断光线一变就翻车。这让我想起手头这份基于 OpenCV 的人脸识别考勤系统源码它解决的正是这类场景用普通 USB 摄像头或笔记本自带镜头配合 Python 和 OpenCV 完成人脸采集、训练、识别、打卡记录一条龙不需要专用硬件也不需要联网调云端接口。这套资源适合三类人一是做课程设计或毕业设计的学生需要一份结构完整、能跑通、有文档可写的项目二是想快速搭个内部考勤原型的开发者拿它当脚手架改三是刚学完 OpenCV 基础、想找个综合案例把 Haar 级联、LBPH 识别器、GUI 串起来的新手。它不追求工业级精度但胜在链路完整、依赖干净、代码可读你能清楚看到每一帧图像从摄像头到考勤表到底经历了什么。下面我按实际拆包和复现的顺序把这份源码的用法、参数和坑一次讲透。2. 拆开源码包模块划分与 OpenCV 人脸识别链路2.1 目录结构与各文件职责拿到压缩包解压后常见做法是看到类似这样的结构不同版本文件名可能略有差异但职责基本一致face_attendance/ ├── dataset/ # 存放采集到的人脸灰度图按人名分文件夹 ├── trainer/ # 训练后生成的 .yml 模型文件 ├── attendance/ # 每日考勤 CSV 记录 ├── haarcascade_frontalface_default.xml # OpenCV 自带的人脸检测器 ├── capture_faces.py # 人脸采集脚本 ├── train_model.py # 模型训练脚本 ├── recognize_attendance.py # 实时识别与打卡脚本 ├── requirements.txt # 依赖清单 └── docs/ # 详细文档含流程图与参数说明dataset里每个人一个子目录比如dataset/zhangsan/下是1.jpg、2.jpg……这种按人名分文件夹的设计很关键训练时 OpenCV 的 LBPH 识别器会直接读取目录名作为标签省去手写映射表。trainer目录存训练产物attendance按日期生成 CSV方便后续用 Excel 或脚本统计。2.2 人脸检测Haar 级联为什么还在用很多人一提到人脸检测就想到深度学习但这份源码用的是 Haar 级联分类器。原因很实际OpenCV 安装后自带haarcascade_frontalface_default.xml零额外下载CPU 上跑几十毫秒一帧对考勤这种正脸、近距离、光照可控的场景足够用。它的原理是滑动窗口加积分图快速排除非人脸区域再用级联的弱分类器逐层筛选。调用时核心就一行faces face_cascade.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(100, 100))scaleFactor1.1表示每次图像尺寸缩小 10%值越小检测越细但越慢minNeighbors5控制误检调高会减少误报但可能漏掉侧脸minSize限制最小人脸像素低于 100×100 的基本是噪点。我一般会把minNeighbors设到 6因为考勤场景宁可漏检重试也不要误识别成别人。2.3 识别环节LBPH 的输入输出与阈值逻辑识别用的是cv2.face.LBPHFaceRecognizer_create()。LBPH 把每张人脸切成小区域计算局部二值模式直方图再比对直方图距离。它的好处是训练快、样本需求少每人 2030 张就够对光照变化有一定容忍度。训练脚本里典型写法recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(ids)) recognizer.write(trainer/trainer.yml)faces是灰度图列表ids是每个人对应的整数标签。识别时id_, confidence recognizer.predict(gray_face) if confidence 70: name names[id_] else: name unknown注意这里的confidence其实是距离越小越可信。70 这个阈值是经验值不同摄像头和光照下要微调。文档里如果写了固定 50你直接拿去用很可能一半人识别不出来这是最常见的翻车点之一。3. 从零跑通环境安装、采集、训练、识别四步实操3.1 环境准备与 OpenCV 安装避坑先确认 Python 版本建议 3.83.10太新的版本有时opencv-contrib-python轮子不全。安装命令pip install opencv-python4.5.5.64 pip install opencv-contrib-python4.5.5.64 pip install numpy pillow pandas必须装opencv-contrib-python因为cv2.face模块只在 contrib 包里。很多人只装了opencv-python运行到cv2.face就报module cv2 has no attribute face这就是热词里常搜的modulenotfounderror: no named opencv的变种。两个包版本要一致否则会冲突。提示如果 pip 安装慢换国内镜像源加-i参数不要同时装opencv-python-headless它不含 GUI 功能imshow会报错。3.2 人脸采集脚本样本数量与命名规范采集脚本的核心逻辑是打开摄像头检测人脸保存灰度图并递增编号import cv2 import os cam cv2.VideoCapture(0) face_detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) name input(输入姓名拼音: ) os.makedirs(fdataset/{name}, exist_okTrue) count 0 while True: ret, frame cam.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_detector.detectMultiScale(gray, 1.1, 5, minSize(100, 100)) for (x, y, w, h) in faces: count 1 cv2.imwrite(fdataset/{name}/{count}.jpg, gray[y:yh, x:xw]) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(capture, frame) if cv2.waitKey(1) 27 or count 30: break cam.release() cv2.destroyAllWindows()每人采集 30 张左右比较稳。采集时注意不要只在一个角度拍稍微左右转头、换点表情否则训练出来的模型只认正脸。保存的是灰度图且只存人脸区域这样训练时不用再检测一遍省时间。count 30是硬上限实际可以按s键手动停文档里如果有说明就按文档来。3.3 训练脚本标签映射与模型输出训练脚本要遍历dataset下所有子目录把每个人名映射成整数import cv2 import numpy as np import os recognizer cv2.face.LBPHFaceRecognizer_create() detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) faces, ids [], [] names {} current_id 0 for root, dirs, files in os.walk(dataset): for file in files: if file.endswith(jpg) or file.endswith(png): path os.path.join(root, file) name os.path.basename(root) if name not in names: names[name] current_id current_id 1 img cv2.imread(path, cv2.IMREAD_GRAYSCALE) faces.append(img) ids.append(names[name]) recognizer.train(faces, np.array(ids)) recognizer.write(trainer/trainer.yml) np.save(trainer/names.npy, names) print(f训练完成共 {len(names)} 人{len(faces)} 张样本)这里把names字典存成names.npy识别脚本再加载回来避免每次重新遍历目录。current_id从 0 开始递增LBPH 内部就是靠这个整数区分不同人。如果新增了人必须重新训练整个模型LBPH 不支持增量更新这是它的硬限制。3.4 识别与打卡置信度阈值与 CSV 写入识别脚本把上面两步串起来加上打卡记录import cv2 import numpy as np import pandas as pd from datetime import datetime recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer/trainer.yml) names np.load(trainer/names.npy, allow_pickleTrue).item() detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) cam cv2.VideoCapture(0) marked set() while True: ret, frame cam.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces detector.detectMultiScale(gray, 1.1, 6, minSize(100, 100)) for (x, y, w, h) in faces: id_, conf recognizer.predict(gray[y:yh, x:xw]) if conf 70: name [k for k, v in names.items() if v id_][0] if name not in marked: marked.add(name) now datetime.now().strftime(%Y-%m-%d %H:%M:%S) df pd.DataFrame([[name, now]], columns[姓名, 时间]) df.to_csv(fattendance/{datetime.now().date()}.csv, modea, headerFalse, indexFalse) cv2.putText(frame, f{name} {conf:.1f}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) else: cv2.putText(frame, unknown, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(attendance, frame) if cv2.waitKey(1) 27: break cam.release() cv2.destroyAllWindows()marked集合保证同一个人当天只写一次避免站在镜头前反复刷记录。CSV 用追加模式表头在第一次写入时手动加或提前建好。conf 70这个阈值要按实际调整光线暗的办公室可以放宽到 80但误识率会上升。4. 避坑与排查识别率低、报错、摄像头异常的常见原因4.1 现象识别总是 unknown置信度普遍偏高原因通常是训练样本太少或角度单一LBPH 对没见过的姿态泛化差。解决每人补采到 50 张覆盖左右转 15 度、戴不戴眼镜两种状态同时把minNeighbors从 5 降到 4让检测框更稳。如果还是不行检查采集时保存的是否为灰度图彩色图直接喂给 LBPH 会报维度错误或识别率骤降。4.2 现象运行报module cv2 has no attribute face原因只装了opencv-python没装opencv-contrib-python。解决pip uninstall opencv-python后重装 contrib 版本两个包不要共存。如果用的是 condaconda install -c conda-forge opencv通常自带 contrib。4.3 现象摄像头打开黑屏或VideoCapture(0)返回 False原因可能是摄像头被其他程序占用或索引不是 0。解决关掉微信、钉钉等可能调用摄像头的软件把0换成1或-1试Linux 下检查/dev/video*权限必要时sudo chmod 666 /dev/video0。4.4 现象训练时报Assertion failed !_src.empty()原因是有图片路径读进来是空的常见于dataset里混入了非图片文件或中文路径。解决确保dataset下只有 jpg/png路径全用英文在cv2.imread后加if img is None: continue跳过坏图。4.5 现象打卡 CSV 中文乱码原因to_csv默认编码不是 utf-8-sig。解决写入时加encodingutf-8-sigExcel 打开就正常。这个坑很小但很烦文档里如果没提第一次用大概率中招。5. 进阶技巧把识别阈值调稳、把考勤数据用起来5.1 用滑动窗口平滑置信度单帧判断容易受表情和光线抖动影响我一般会维护一个长度为 5 的队列取中位数再和阈值比from collections import deque conf_queue deque(maxlen5) id_, conf recognizer.predict(gray_face) conf_queue.append(conf) smooth_conf sorted(conf_queue)[len(conf_queue)//2] if smooth_conf 70: name names_inv[id_]这样偶尔一帧跳到 90 也不会立刻判成 unknown打卡体验顺很多。代价是响应慢半拍考勤场景完全能接受。5.2 阈值标定用已知样本反推不要凭感觉设 70。拿 10 张已知人的图跑predict记录置信度分布取最大值再加 10 作为阈值。比如张三的置信度在 3558 之间李四在 4062那阈值设 72 比较安全。文档里如果给了固定值你也要用自己的数据复核一遍。5.3 考勤数据后处理attendance目录下每天一个 CSV月底用 pandas 合并统计import pandas as pd import glob files glob.glob(attendance/*.csv) df pd.concat([pd.read_csv(f, names[姓名, 时间]) for f in files]) df[日期] pd.to_datetime(df[时间]).dt.date summary df.groupby([姓名, 日期]).size().unstack(fill_value0) summary.to_excel(月度考勤汇总.xlsx)这样迟到、缺勤一目了然。如果要做迟到判断把时间列转成datetime后和 9:00 比较即可逻辑简单但实用。5.4 从 LBPH 换到深度学习识别器的边界如果场景光线复杂、人数上百LBPH 会吃力。常见做法是换成cv2.dnn加载 OpenCV 官方的人脸识别模型如openface或facenet或者用face_recognition库。但换之前想清楚依赖变重、训练数据需求变大、CPU 推理变慢。考勤这种几十人、固定点位的场景LBPH 调好阈值完全够用没必要为了技术而技术。从那以后我每次拿到这类源码都强制先用自己的脸跑一遍采集、训练、识别全流程再去看文档里写的参数是否对得上。这份 OpenCV 人脸考勤系统源码的价值不在于算法多先进而在于它把一条完整链路摊开给你看改起来有抓手。希望帮到你。本文还有配套的精品资源点击获取
简介这是一套基于OpenCV实现的人脸识别考勤系统完整项目面向计算机相关专业正在做毕业设计的学生以及需要项目实战练习、课程设计或期末大作业的学习者。项目围绕图像采集、人脸检测、特征提取与人脸匹配四个核心环节展开涉及灰度化、直方图均衡化等预处理手段以及Eigenfaces、Fisherfaces、LBPH等经典特征提取算法适合作为入门计算机视觉与机器学习应用的实践参考。压缩包共123个文件以jpg人脸样本图像、xml分类器与配置数据、py源码脚本为主另含exe可执行程序、bat启动脚本及md说明文档整体约1.88MB目录结构清晰便于按模块查阅。项目经过严格调试可直接运行文档详细解释各功能模块的设计与实现原理并给出开发环境搭建、编译运行指南及异常处理思路。目前已有48人学习关注适合希望深入理解人脸识别流程并积累项目经验的开发者。1. 从一张打卡照片说起这套 OpenCV 人脸考勤系统到底能跑出什么上周帮一个做企业内训的朋友看他们新装的考勤机行政抱怨说员工戴着口罩站在门口反复摘戴队伍排到电梯口。我顺手翻了翻他们后台发现识别逻辑其实很粗糙——固定阈值、单帧比对、没有活体判断光线一变就翻车。这让我想起手头这份基于 OpenCV 的人脸识别考勤系统源码它解决的正是这类场景用普通 USB 摄像头或笔记本自带镜头配合 Python 和 OpenCV 完成人脸采集、训练、识别、打卡记录一条龙不需要专用硬件也不需要联网调云端接口。这套资源适合三类人一是做课程设计或毕业设计的学生需要一份结构完整、能跑通、有文档可写的项目二是想快速搭个内部考勤原型的开发者拿它当脚手架改三是刚学完 OpenCV 基础、想找个综合案例把 Haar 级联、LBPH 识别器、GUI 串起来的新手。它不追求工业级精度但胜在链路完整、依赖干净、代码可读你能清楚看到每一帧图像从摄像头到考勤表到底经历了什么。下面我按实际拆包和复现的顺序把这份源码的用法、参数和坑一次讲透。2. 拆开源码包模块划分与 OpenCV 人脸识别链路2.1 目录结构与各文件职责拿到压缩包解压后常见做法是看到类似这样的结构不同版本文件名可能略有差异但职责基本一致face_attendance/ ├── dataset/ # 存放采集到的人脸灰度图按人名分文件夹 ├── trainer/ # 训练后生成的 .yml 模型文件 ├── attendance/ # 每日考勤 CSV 记录 ├── haarcascade_frontalface_default.xml # OpenCV 自带的人脸检测器 ├── capture_faces.py # 人脸采集脚本 ├── train_model.py # 模型训练脚本 ├── recognize_attendance.py # 实时识别与打卡脚本 ├── requirements.txt # 依赖清单 └── docs/ # 详细文档含流程图与参数说明dataset里每个人一个子目录比如dataset/zhangsan/下是1.jpg、2.jpg……这种按人名分文件夹的设计很关键训练时 OpenCV 的 LBPH 识别器会直接读取目录名作为标签省去手写映射表。trainer目录存训练产物attendance按日期生成 CSV方便后续用 Excel 或脚本统计。2.2 人脸检测Haar 级联为什么还在用很多人一提到人脸检测就想到深度学习但这份源码用的是 Haar 级联分类器。原因很实际OpenCV 安装后自带haarcascade_frontalface_default.xml零额外下载CPU 上跑几十毫秒一帧对考勤这种正脸、近距离、光照可控的场景足够用。它的原理是滑动窗口加积分图快速排除非人脸区域再用级联的弱分类器逐层筛选。调用时核心就一行faces face_cascade.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(100, 100))scaleFactor1.1表示每次图像尺寸缩小 10%值越小检测越细但越慢minNeighbors5控制误检调高会减少误报但可能漏掉侧脸minSize限制最小人脸像素低于 100×100 的基本是噪点。我一般会把minNeighbors设到 6因为考勤场景宁可漏检重试也不要误识别成别人。2.3 识别环节LBPH 的输入输出与阈值逻辑识别用的是cv2.face.LBPHFaceRecognizer_create()。LBPH 把每张人脸切成小区域计算局部二值模式直方图再比对直方图距离。它的好处是训练快、样本需求少每人 2030 张就够对光照变化有一定容忍度。训练脚本里典型写法recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(ids)) recognizer.write(trainer/trainer.yml)faces是灰度图列表ids是每个人对应的整数标签。识别时id_, confidence recognizer.predict(gray_face) if confidence 70: name names[id_] else: name unknown注意这里的confidence其实是距离越小越可信。70 这个阈值是经验值不同摄像头和光照下要微调。文档里如果写了固定 50你直接拿去用很可能一半人识别不出来这是最常见的翻车点之一。3. 从零跑通环境安装、采集、训练、识别四步实操3.1 环境准备与 OpenCV 安装避坑先确认 Python 版本建议 3.83.10太新的版本有时opencv-contrib-python轮子不全。安装命令pip install opencv-python4.5.5.64 pip install opencv-contrib-python4.5.5.64 pip install numpy pillow pandas必须装opencv-contrib-python因为cv2.face模块只在 contrib 包里。很多人只装了opencv-python运行到cv2.face就报module cv2 has no attribute face这就是热词里常搜的modulenotfounderror: no named opencv的变种。两个包版本要一致否则会冲突。提示如果 pip 安装慢换国内镜像源加-i参数不要同时装opencv-python-headless它不含 GUI 功能imshow会报错。3.2 人脸采集脚本样本数量与命名规范采集脚本的核心逻辑是打开摄像头检测人脸保存灰度图并递增编号import cv2 import os cam cv2.VideoCapture(0) face_detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) name input(输入姓名拼音: ) os.makedirs(fdataset/{name}, exist_okTrue) count 0 while True: ret, frame cam.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_detector.detectMultiScale(gray, 1.1, 5, minSize(100, 100)) for (x, y, w, h) in faces: count 1 cv2.imwrite(fdataset/{name}/{count}.jpg, gray[y:yh, x:xw]) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(capture, frame) if cv2.waitKey(1) 27 or count 30: break cam.release() cv2.destroyAllWindows()每人采集 30 张左右比较稳。采集时注意不要只在一个角度拍稍微左右转头、换点表情否则训练出来的模型只认正脸。保存的是灰度图且只存人脸区域这样训练时不用再检测一遍省时间。count 30是硬上限实际可以按s键手动停文档里如果有说明就按文档来。3.3 训练脚本标签映射与模型输出训练脚本要遍历dataset下所有子目录把每个人名映射成整数import cv2 import numpy as np import os recognizer cv2.face.LBPHFaceRecognizer_create() detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) faces, ids [], [] names {} current_id 0 for root, dirs, files in os.walk(dataset): for file in files: if file.endswith(jpg) or file.endswith(png): path os.path.join(root, file) name os.path.basename(root) if name not in names: names[name] current_id current_id 1 img cv2.imread(path, cv2.IMREAD_GRAYSCALE) faces.append(img) ids.append(names[name]) recognizer.train(faces, np.array(ids)) recognizer.write(trainer/trainer.yml) np.save(trainer/names.npy, names) print(f训练完成共 {len(names)} 人{len(faces)} 张样本)这里把names字典存成names.npy识别脚本再加载回来避免每次重新遍历目录。current_id从 0 开始递增LBPH 内部就是靠这个整数区分不同人。如果新增了人必须重新训练整个模型LBPH 不支持增量更新这是它的硬限制。3.4 识别与打卡置信度阈值与 CSV 写入识别脚本把上面两步串起来加上打卡记录import cv2 import numpy as np import pandas as pd from datetime import datetime recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer/trainer.yml) names np.load(trainer/names.npy, allow_pickleTrue).item() detector cv2.CascadeClassifier(haarcascade_frontalface_default.xml) cam cv2.VideoCapture(0) marked set() while True: ret, frame cam.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces detector.detectMultiScale(gray, 1.1, 6, minSize(100, 100)) for (x, y, w, h) in faces: id_, conf recognizer.predict(gray[y:yh, x:xw]) if conf 70: name [k for k, v in names.items() if v id_][0] if name not in marked: marked.add(name) now datetime.now().strftime(%Y-%m-%d %H:%M:%S) df pd.DataFrame([[name, now]], columns[姓名, 时间]) df.to_csv(fattendance/{datetime.now().date()}.csv, modea, headerFalse, indexFalse) cv2.putText(frame, f{name} {conf:.1f}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) else: cv2.putText(frame, unknown, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(attendance, frame) if cv2.waitKey(1) 27: break cam.release() cv2.destroyAllWindows()marked集合保证同一个人当天只写一次避免站在镜头前反复刷记录。CSV 用追加模式表头在第一次写入时手动加或提前建好。conf 70这个阈值要按实际调整光线暗的办公室可以放宽到 80但误识率会上升。4. 避坑与排查识别率低、报错、摄像头异常的常见原因4.1 现象识别总是 unknown置信度普遍偏高原因通常是训练样本太少或角度单一LBPH 对没见过的姿态泛化差。解决每人补采到 50 张覆盖左右转 15 度、戴不戴眼镜两种状态同时把minNeighbors从 5 降到 4让检测框更稳。如果还是不行检查采集时保存的是否为灰度图彩色图直接喂给 LBPH 会报维度错误或识别率骤降。4.2 现象运行报module cv2 has no attribute face原因只装了opencv-python没装opencv-contrib-python。解决pip uninstall opencv-python后重装 contrib 版本两个包不要共存。如果用的是 condaconda install -c conda-forge opencv通常自带 contrib。4.3 现象摄像头打开黑屏或VideoCapture(0)返回 False原因可能是摄像头被其他程序占用或索引不是 0。解决关掉微信、钉钉等可能调用摄像头的软件把0换成1或-1试Linux 下检查/dev/video*权限必要时sudo chmod 666 /dev/video0。4.4 现象训练时报Assertion failed !_src.empty()原因是有图片路径读进来是空的常见于dataset里混入了非图片文件或中文路径。解决确保dataset下只有 jpg/png路径全用英文在cv2.imread后加if img is None: continue跳过坏图。4.5 现象打卡 CSV 中文乱码原因to_csv默认编码不是 utf-8-sig。解决写入时加encodingutf-8-sigExcel 打开就正常。这个坑很小但很烦文档里如果没提第一次用大概率中招。5. 进阶技巧把识别阈值调稳、把考勤数据用起来5.1 用滑动窗口平滑置信度单帧判断容易受表情和光线抖动影响我一般会维护一个长度为 5 的队列取中位数再和阈值比from collections import deque conf_queue deque(maxlen5) id_, conf recognizer.predict(gray_face) conf_queue.append(conf) smooth_conf sorted(conf_queue)[len(conf_queue)//2] if smooth_conf 70: name names_inv[id_]这样偶尔一帧跳到 90 也不会立刻判成 unknown打卡体验顺很多。代价是响应慢半拍考勤场景完全能接受。5.2 阈值标定用已知样本反推不要凭感觉设 70。拿 10 张已知人的图跑predict记录置信度分布取最大值再加 10 作为阈值。比如张三的置信度在 3558 之间李四在 4062那阈值设 72 比较安全。文档里如果给了固定值你也要用自己的数据复核一遍。5.3 考勤数据后处理attendance目录下每天一个 CSV月底用 pandas 合并统计import pandas as pd import glob files glob.glob(attendance/*.csv) df pd.concat([pd.read_csv(f, names[姓名, 时间]) for f in files]) df[日期] pd.to_datetime(df[时间]).dt.date summary df.groupby([姓名, 日期]).size().unstack(fill_value0) summary.to_excel(月度考勤汇总.xlsx)这样迟到、缺勤一目了然。如果要做迟到判断把时间列转成datetime后和 9:00 比较即可逻辑简单但实用。5.4 从 LBPH 换到深度学习识别器的边界如果场景光线复杂、人数上百LBPH 会吃力。常见做法是换成cv2.dnn加载 OpenCV 官方的人脸识别模型如openface或facenet或者用face_recognition库。但换之前想清楚依赖变重、训练数据需求变大、CPU 推理变慢。考勤这种几十人、固定点位的场景LBPH 调好阈值完全够用没必要为了技术而技术。从那以后我每次拿到这类源码都强制先用自己的脸跑一遍采集、训练、识别全流程再去看文档里写的参数是否对得上。这份 OpenCV 人脸考勤系统源码的价值不在于算法多先进而在于它把一条完整链路摊开给你看改起来有抓手。希望帮到你。本文还有配套的精品资源点击获取
