Python+OpenCV实现人脸识别员工考勤系统：从原理到实战

简介基于Python与OpenCV的人脸识别员工考勤系统毕业设计项目包面向计算机、软件工程等专业毕业生及需要课程设计/期末大作业的同学提供一套已通过导师指导评审、下载即可直接运行的完整考勤项目。压缩包共669个文件整体约197.57MB以501个Python源码文件为核心配合pyd动态链接库、exe可执行程序、pth模型权重和xml配置还有bat一键启动脚本、docx文档说明、csv考勤记录、png/jpg示例图像与db数据库文件既方便环境搭建也便于理解人脸识别与考勤管理的完整落地流程。项目中实际涵盖人脸检测、特征提取、身份比对、上下班打卡、数据存储及报表导出等模块代码结构清晰、注释到位并附带详细的文档辅助说明。目前已有521人学习使用可直接作为高分毕业设计、课程设计或期末大作业的参考范本也可在此基础上快速二次开发。1. 基于 Python OpenCV 的人脸识别员工考勤系统高分毕业设计拆开之后能直接用吗指纹考勤要排队接触刷卡考勤容易忘带卡而人脸考勤只需要员工在摄像头前停一下这正是这套系统解决的核心问题。它是一个基于 python opencv 的人脸识别的员工考勤系统压缩包解压之后直接带着一套虚拟环境和说明文档属于「下载即用」的毕业设计资源。你不必先读懂全部源码只要按文档激活环境就能看到完整的采集、训练、识别打卡流程。它的核心不是高深的深度学习模型而是把 LBPH 特征、OpenCV 的人脸检测和日志记录串成一条能跑通的链路。适合正在做毕业设计、课程设计或想快速落地一个人脸识别小项目的开发者。2. 识别原理与数据流为什么 LBPH 够用、feature_all.csv 里存了什么2.1 选型理由LBPH 在毕业设计场景下的四个优势拿到这种项目第一步别急着跑先搞清楚它用的识别算法。这套系统的识别核心是 OpenCV 里的 LBPHLocal Binary Patterns Histograms局部二值模式直方图。相比深度学习方案LBPH 在毕业设计这个特定场景下有几个实打实的优势它不需要 GPU普通笔记本 CPU 就能实时识别它需要的训练样本少一个人 20 到 40 张人脸图就能练出一个能用的模型它的原理在论文里好写局部纹理特征加直方图统计配两张示意图就能讲清楚它是 OpenCV 内置接口不需要额外配 TensorFlow 或 PyTorch环境成本几乎为零。这四个优势叠加起来决定了这类项目选 LBPH 而不是搬一个 ResNet 过来。LBPH 的工作原理并不复杂对图像里每个像素取它周围一个半径为 radius 的圆上均匀分布的 neighbors 个采样点把每个采样点的灰度值和中心像素比较大于等于记 1小于记 0得到一串二进制数并转成十进制这个值就代表该像素的局部纹理。整张图计算完之后把图划分成 grid_x 乘 grid_y 个格子每个格子统计灰度直方图最后把所有直方图拼成一个一维特征向量。识别的时候把当前人脸的特征向量和注册过的特征向量做距离比较距离越小说明越相似。这个机制对光照有一定容忍度因为比较的是相邻像素的相对灰度不是绝对灰度所以不需要像深度学习那样做大规模数据增强。从 OpenCV 的默认参数能看出这套算法的设计取向radius1、neighbors8 表示取半径为 1 的圆上的 8 个采样点这是计算量和表达能力的折中grid_x8、grid_y8 表示把图切成 8x8 共 64 个格子每个格子单独统计直方图保留了局部空间信息。格子切得越大表达越细但计算和存储都会增加对 200x200 的输入图来说8x8 是实践里比较稳的配置。有人为了追求精度把 grid 改成 16x16识别率提升有限训练时间和特征文件体积倒是翻了几倍答辩时反而不好解释。2.2 数据流从摄像头帧到 logcat.csv 的完整链路这套系统的数据流分三个阶段理解了这个链路后面改代码就不会迷路。采集阶段程序打开摄像头用 OpenCV 的 Haar Cascade 级联分类器检测画面里的人脸把检测到的人脸区域裁出来、灰度化、统一缩放到 200x200按「工号_序号.jpg」的命名规则存到 samples 目录。训练阶段程序读取 samples 目录下所有样本按文件名前缀提取工号作为标签调用 LBPH 的 train 方法拟合模型训练完成后把每个样本的工号和特征写入 feature_all.csv。识别阶段程序加载 feature_all.csv重建特征和标签再打开摄像头逐帧检测人脸对每一张人脸调用 predict 方法得到一个 (员工ID, 置信度) 的二元组置信度小于阈值就判定为打卡成功时间、工号、置信度一并追加写入 logcat.csv。三个阶段各自独立中间只通过 samples 目录和 CSV 文件传递数据所以你可以单独重跑某一个阶段而不影响其他阶段。比如样本采集少了不需要重新训练整个模型只要补采样本后重新执行训练脚本feature_all.csv 会被覆盖更新。这种「文件即接口」的设计在毕业设计里非常常见也方便你写文档时画数据流图。注意识别阶段加载 feature_all.csv 后仍然要再调一次 recognizer.train因为 LBPH 的 predict 方法面对的是一个已经训练好的模型CSV 里的特征只是原始特征不是模型参数。这个链路里最容易被忽略的是 Haar Cascade 检测器和 LBPH 识别器是两套独立的东西。Haar Cascade 负责「找出人脸在哪」输出的是人脸框的坐标LBPH 负责「这张脸是谁」输入的是裁好的人脸小图输出的是 ID 和置信度。很多初学者把这两个概念混在一起以为检测不出来就是识别没训练好实际上检测问题通常出在 detectMultiScale 的参数上识别问题才出在训练数据和阈值上。排查问题之前先把这句话记在心里能省掉大量无用功。2.3 两个 CSV 文件的真实格式训练特征与打卡日志压缩包里有两个 CSV 文件值得先打开看一眼一个是 feature_all.csv一个是 logcat.csv。feature_all.csv 存储的是训练样本的扁平化特征第一行是表头第一列是员工工号从第二列开始是 200x200 灰度图拉平后的像素值每行对应一个样本。它的作用是在识别阶段代替 samples 目录作为数据源这样即便样本图片被误删只要 CSV 还在识别功能就不受影响。表头一般长这样label、feature_0、feature_1……一直到 feature_39999一共 40001 列因为 200 乘 200 等于 40000 个像素值。logcat.csv 是考勤日志字段相对少一般包含时间、工号、姓名、置信度、结果五列。时间格式是标准的「年-月-日 时:分:秒」结果字段是「通过」或「拒绝」。这个文件是追加写入的每次识别打卡成功就在末尾新增一行不会覆盖历史记录。答辩的时候评委最常看的就是这个文件它能直观证明系统确实产生了考勤记录所以写日志时务必保证时间戳精确到秒并且编码别出问题第 5 章会讲编码坑。文件生成时机核心字段用途feature_all.csv训练阶段label 40000 个特征值识别阶段重建训练数据logcat.csv识别阶段时间、工号、姓名、置信度、结果考勤记录与答辩证据3. 环境准备与首次运行虚拟环境激活、依赖安装与摄像头初始化3.1 自带的虚拟环境怎么用activate.bat 与 pyvenv.cfg 的分工压缩包里有 activate.bat、deactivate.bat、sysconfig.cfg、pyvenv.cfg 这几个文件它们属于同一个 Python 虚拟环境。虚拟环境的作用是把项目的依赖隔离起来避免和你机器上其他 Python 项目互相干扰。pyvenv.cfg 记录了这个虚拟环境基于哪个 Python 版本创建activate.bat 负责把当前命令行的 PATH 临时切换到虚拟环境的解释器目录deactivate.bat 负责退出。也就是说你不需要在自己机器上重新安装 OpenCV只需要激活这个环境所有依赖就都就位了。激活方式在 Windows 命令行下很简单先 cd 到项目根目录然后执行 venv 目录下的 activate.bat。注意如果你把项目解压到了带空格的路径比如「D:\My Projects\face_attendance」直接运行 activate.bat 可能报错因为路径里有空格时 Windows 的批处理解析会翻车。我一般会先把项目放到一个纯英文且无空格的路径比如 D:\face_attendance再执行激活命令这一步能避免后面所有莫名其妙的路径问题。cd D:\face_attendance venv\Scripts\activate python main.py激活成功后命令行提示符前面会出现 (venv) 字样这时候你运行的 python 就是虚拟环境里的解释器。如果 activate 执行后提示「系统找不到指定的路径」多半是批处理文件里写死了旧的绝对路径打开 activate.bat 检查 VIRTUAL_ENV 这一行的路径是否和你解压的目录一致不一致就改过来。还有一个细节有些压缩包解压后文件夹名字带「(1)」或「副本」之类的后缀也会导致路径失效统一改成干净目录名再激活。如果激活之后 import cv2 仍然报 ModuleNotFoundError先别急着重装环境检查一下当前 python 是不是虚拟环境里的。直接在命令行执行 where python看返回的第一个路径是否指向 venv 目录。很多人的坑在于先打开了 IDE在 IDE 的终端里运行激活脚本但 IDE 的终端和系统终端的 PATH 传递并不完全一致导致解释器还是系统全局的。我建议命令行操作全部在原生 cmd 里完成不要用 IDE 内置终端跑激活。3.2 不用自带环境时从零装依赖的完整命令有些情况下你不想用自带的虚拟环境比如 Python 版本和你系统不兼容或者你需要在服务器上跑。这时候从零安装依赖其实也不复杂核心依赖就三个numpy、opencv-contrib-python、opencv-python。注意这里有个坑人脸识别模块 cv2.face 不在主包的 opencv-python 里而在扩展包 opencv-contrib-python 里。如果你只装了 opencv-pythonimport cv2 不会报错但一调用 cv2.face.LBPHFaceRecognizer_create 就会报 AttributeError。所以安装时务必把 contrib 包装上。pip install numpy pip install opencv-contrib-python pip install opencv-contrib-python --upgrade如果机器上已经装了 opencv-python建议先卸载掉再装 contrib 包两个包同时存在时 import 顺序和 DLL 加载都可能出问题表现为 cv2 能 import但某些模块行为异常这种「能跑一半」的状态最折磨人。卸载命令是 pip uninstall opencv-python卸载完再执行上面的安装命令。Python 版本方面这套代码在 Python 3.8 到 3.10 上运行最稳Python 3.11 以上某些版本的 numpy 和 OpenCV 组合会有编译兼容问题如果你遇到奇怪的导入错误可以先换个 Python 版本试试。装完依赖之后做一个快速自检确认关键的类和函数都在import cv2 import numpy as np print(OpenCV 版本:, cv2.__version__) print(LBPH 识别器:, cv2.face.LBPHFaceRecognizer_create) print(Haar 级联路径:, cv2.data.haarcascades)这段自检代码输出的三行信息分别对应识别器、检测器、数据文件路径。cv2.data.haarcascades 指向 OpenCV 自带的 XML 分类器目录里面包含 haarcascade_frontalface_default.xml 等文件。如果你的 OpenCV 没有 cv2.data 属性说明装的版本太老或者装错了非官方渠道的包建议升级到 4.5 以上版本。升级命令是 pip install opencv-contrib-python --upgrade。3.3 首次运行前的摄像头初始化验证摄像头是整个系统最不可控的硬件就算代码一行没改换个电脑可能就打不开摄像头。所以不要直接跑 main.py先做一个 30 秒的摄像头验证确认设备本身没问题。常见的情况是笔记本自带摄像头索引为 0外接 USB 摄像头索引为 1但如果你的电脑同时装了虚拟摄像头软件索引可能会被占用导致程序读到的画面全是黑的或者直接报错。import cv2 import time cap cv2.VideoCapture(0) if not cap.isOpened(): print(摄像头 0 打不开尝试索引 1) cap cv2.VideoCapture(1) time.sleep(1) # 给摄像头预热时间 ok, frame cap.read() if ok: cv2.imwrite(camera_test.jpg, frame) print(摄像头正常测试图已保存) else: print(读帧失败检查摄像头是否被其他程序占用) cap.release()这段验证脚本做了两件事一是用 isOpened 检查摄像头初始化是否成功失败就换索引重试二是 sleep 一秒后读一帧把这一帧保存成图片。那个 sleep 不是摆设很多 USB 摄像头上电后需要几百毫秒才能输出稳定画面立刻读帧容易读到全黑帧。运行完如果生成了 camera_test.jpg说明硬件链路没问题可以放心跑完整系统如果生成的是全黑图片去系统设置里检查摄像头隐私权限——Windows 10 在「设置-隐私-摄像头」里如果关闭了「允许应用访问你的摄像头」OpenCV 是拿不到画面权限的但程序不会报错只会一直返回黑帧。4. 核心模块拆解样本采集、模型训练与打卡判定的三段代码4.1 员工样本采集灰度化、统一尺寸与样本量控制样本采集是所有识别效果的地基这一步偷懒后面全是补不完的坑。采集逻辑不复杂打开摄像头、检测人脸、裁出人脸区域、缩放到统一尺寸、存成文件。之所以要灰度化是因为 LBPH 本身就是基于灰度纹理的算法彩色信息对它没有帮助反而增加计算量。统一尺寸到 200x200 是为了让所有样本的特征维度一致这样才能放进同一个训练集里。import cv2 import os sample_dir samples os.makedirs(sample_dir, exist_okTrue) cap cv2.VideoCapture(0) detector cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) employee_id input(输入员工工号: ) count 0 while count 60: ok, frame cap.read() if not ok: continue gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces detector.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(80, 80) ) for (x, y, w, h) in faces: face gray[y:yh, x:xw] face cv2.resize(face, (200, 200)) cv2.imwrite(f{sample_dir}/{employee_id}_{count}.jpg, face) count 1 cv2.imshow(capture, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()代码里的关键参数需要说明一下。detectMultiScale 的 scaleFactor 是每次缩放检测窗口的比例1.1 表示每次缩小 10%数值越小检测越精细但越慢minNeighbors 控制每个候选框最少需要多少个相邻检测框确认才算数5 是一个比较均衡的值调大会漏检调小会误检minSize(80, 80) 过滤掉小于 80x80 的检测框可以排除掉远处的小脸和背景里的噪声。count 循环到 60 张自动停止这个数量对这个项目是够的——每人 60 张样本训练出来的模型基本能扛住日常光线变化。如果采集过程中发现检测框经常消失先别急着改参数先检查光线是不是太暗或者背光对着光源调整一下位置往往比调参数更有效。4.2 特征训练LBPH 参数与 feature_all.csv 落盘样本采完之后进入训练阶段。LBPH 的 train 方法接受两个参数样本图像列表和对应的标签列表。标签必须是整数所以工号如果带字母需要先映射成数字。训练完成后把每个样本的特征写入 feature_all.csv这一步是这套系统的一个特色识别端不依赖 samples 目录只依赖这个 CSV 文件。import os import csv import numpy as np import cv2 sample_dir samples feature_file feature_all.csv recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 ) features [] labels [] for name in sorted(os.listdir(sample_dir)): if not name.endswith(.jpg): continue employee_id name.split(_)[0] img cv2.imread(os.path.join(sample_dir, name), cv2.IMREAD_GRAYSCALE) features.append(img) labels.append(int(employee_id)) recognizer.train(features, np.array(labels)) with open(feature_file, w, encodingutf-8-sig, newline) as f: writer csv.writer(f) writer.writerow([label] [ffeature_{i} for i in range(200 * 200)]) for i, img in enumerate(features): writer.writerow([labels[i]] img.flatten().tolist()) print(f训练完成共 {len(labels)} 个样本特征已写入 {feature_file})这段代码里 recognizer.train 的三个前置参数是 LBPH 的核心配置radius1 代表采样半径neighbors8 代表采样点数grid_x8、grid_y8 代表网格划分。训练完成后把每个样本的灰度矩阵 flatten 成一行写入 CSV这就是 feature_all.csv 的实际内容。注意这里 CSV 存的是原始像素特征不是 LBPH 转换后的直方图识别端加载之后需要再调用一次 train 才会在内存里生成 LBPH 直方图模型。这么设计的考虑是CSV 文件能直观展示特征维度答辩时打开文件就能解释特征是什么比二进制文件更有说服力。训练不通过样本数少于 10 张的情况最让人头疼。每人工号下只有三五张样本时LBPH 基本是学不到稳定纹理特征的识别距离会普遍偏高表现为本人也被拒。所以训练样本的收集标准是每个工号至少 20 张覆盖正脸、左右侧转、不同表情有条件的话在开灯和关灯两种光线下各采一部分。样本的多样性比数量更重要30 张不同角度的样本远好于 60 张几乎一模一样的样本。4.3 识别打卡置信度阈值、防重复打卡与日志写入识别阶段是系统的门面评委和用户看到的就是这一步的结果。流程是加载 feature_all.csv 重建训练集、打开摄像头、逐帧检测人脸、对检测到的每张脸调用 predict、置信度低于阈值就打卡。这个阶段需要处理两个实际问题一是防止同一张脸在连续帧里重复打卡二是置信度阈值到底怎么定。import csv import time import numpy as np import cv2 conf_threshold 60 repeat_minutes 5 last_clock {} cap cv2.VideoCapture(0) detector cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) recognizer cv2.face.LBPHFaceRecognizer_create(radius1, neighbors8, grid_x8, grid_y8) features, labels [], [] with open(feature_all.csv, r, encodingutf-8-sig) as f: reader csv.reader(f) next(reader, None) for row in reader: if len(row) 2: continue labels.append(int(row[0])) features.append(np.array(row[1:], dtypenp.uint8).reshape(200, 200)) recognizer.train(features, np.array(labels)) def write_log(emp_id, conf, ok_flag): with open(logcat.csv, a, encodingutf-8-sig, newline) as f: writer csv.writer(f) writer.writerow([ time.strftime(%Y-%m-%d %H:%M:%S), emp_id, f员工{emp_id}, round(conf, 2), 通过 if ok_flag else 拒绝 ]) while True: ok, frame cap.read() if not ok: continue frame cv2.resize(frame, (960, 540)) gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces detector.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(80, 80)) for (x, y, w, h) in faces: face cv2.resize(gray[y:yh, x:xw], (200, 200)) pred_id, conf recognizer.predict(face) if conf conf_threshold: now time.time() if pred_id not in last_clock or now - last_clock[pred_id] repeat_minutes * 60: last_clock[pred_id] now write_log(pred_id, conf, True) print(f{time.strftime(%H:%M:%S)} 员工{pred_id} 打卡成功置信度 {round(conf, 2)}) cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) cv2.imshow(attendance, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()关键参数是 conf_threshold60。LBPH 的置信度是特征直方图之间的距离不是相似度百分比这一点必须反复强调距离越小代表越像60 表示距离小于 60 才认账。根据我的经验正常光线、每人 30 张样本的情况下本人距离通常在 30 到 70 之间陌生人距离往往超过 100。取 60 作为分界线既能保证本人识别率又能拦住大多数陌生人。如果识别发现本人都被拒把阈值放宽到 70如果陌生人也能打卡把阈值收紧到 50。repeat_minutes5 是防重复打卡的时间窗口同一工号 5 分钟内不重复写日志避免人在摄像头前多站了几秒就产生好几条记录。识别前把画面宽度降到 960是为了减少检测区域让 detectMultiScale 的计算量明显下降帧率能稳定在 15 到 20 帧左右。4.4 参数集中配置一个 config.py 管住所有玄学采集、训练、识别三段代码里散落着不少参数如果每次都去源码里改很容易改出一处忘了另一处。我习惯把这类参数全部收拢到一个 config.py 里识别、采集模块都从它取值这样答辩前调参只需要改一个文件。# config.py CAMERA_INDEX 0 SAMPLE_COUNT 60 FACE_SIZE 200 CONF_THRESHOLD 60 REPEAT_MINUTES 5 SCALE_FACTOR 1.1 MIN_NEIGHBORS 5 MIN_FACE_SIZE 80把参数集中之后排查问题的效率会高很多。比如现场识别老是不准先看 CONF_THRESHOLD 是不是被调过再看样本量够不够最后才去查代码逻辑。有一个常见的反面做法是把阈值写死在某个识别循环深处一个小数改动要全局搜索才能定位答辩现场调参会非常狼狈。config.py 这个文件的另外一个好处是它天然成了你文档里的「参数说明」章节素材每个参数写一句注释文档就完成了三分之一。5. 避坑与排查五次翻车换来的运行经验5.1 ModuleNotFoundError: No module named cv2.face这个报错是这套系统最常见的开局坑。现象很明确import cv2 成功但运行到 cv2.face.LBPHFaceRecognizer_create 时直接抛异常提示找不到 cv2.face。原因在于 OpenCV 从 3.x 开始把面部识别这类非核心模块拆到了 contrib 仓库里主包 opencv-python 不包含 face 模块只有 opencv-contrib-python 才包含。解决方法是先卸载主包再装 contrib 包。pip uninstall opencv-python pip install opencv-contrib-python卸载这一步不能省因为两个包同时存在时Python 的 import 机制可能加载到主包的 cv2导致 face 模块仍然不可见。装完后重新执行第 3 章的快速自检代码看到 LBPH 识别器能正常创建就说明环境没问题了。这个坑我在不同机器上踩过三次每次都是因为图省事直接 pip install opencv-python 就开跑。5.2 摄像头黑屏、白屏或一闪而过现象是运行采集脚本后窗口弹出来但画面全黑或者摄像头灯闪一下就灭了。排查这类问题先分清是硬件问题还是代码问题先用系统自带的相机应用测试摄像头是否正常如果系统相机能出画面而 OpenCV 不行基本可以排除硬件故障。原因通常有三个摄像头索引不对、隐私权限没开、摄像头被其他程序占用。代码层面先用第 3 章的验证脚本测试isOpened 返回 False 就换索引返回 True 但 read 返回黑帧就去查系统权限。Windows 的隐私权限是最容易忽略的。系统设置里如果禁止了应用访问摄像头OpenCV 不会得到任何错误提示只会静默返回全黑帧。解决路径是「设置 - 隐私与安全性 - 摄像头 - 允许应用访问你的摄像头」确保这个开关是打开的。另外有些电脑装了虚拟摄像头软件比如直播辅助工具它会占住索引 0导致真实摄像头变成索引 1多试几个索引往往就恢复了。5.3 人脸框跳来跳去识别率时高时低现象是画面里人脸框忽大忽小、有时检测到有时完全丢失识别成功率也随之波动。原因集中在两类一是 detectMultiScale 的参数不合理误检和漏检的平衡没找对二是光照条件差背光、逆光、侧光都会让 Haar 特征的响应变得不稳定。解决分两步走第一步把参数调到合理范围scaleFactor 从 1.1 起步不要低于 1.05minNeighbors 不低于 3不高于 8。第二步对灰度图做直方图均衡化增强对比度后再检测。gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) gray cv2.equalizeHist(gray) faces detector.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(80, 80))equalizeHist 这行代码能显著改善光线不均情况下的检测稳定性代价几乎为零。如果加了均衡化之后在强光环境下仍然频繁丢框可以在检测前端加一个 gamma 校正但对毕业设计来说均衡化已经够用了。记住一个原则参数是最后的手段先把光线调好再动参数。5.4 置信度阈值这回事为什么设成 100 反而谁都打不上卡现象是阈值设得很宽松比如 conf_threshold100结果本人都识别不了设得很严格比如 30结果反而经常误判。这个现象让很多人觉得 LBPH 的置信度是玄学其实是因为没有理解置信度的量纲。LBPH 的 confidence 是特征直方图之间的卡方距离距离值没有上限正常范围在 0 到 200 之间波动它和深度学习里的 softmax 概率完全不是一回事。100 这个值听起来很宽松实际上对 LBPH 来说已经算中等严格了如果本人相似度距离经常在 90 以上阈值 100 当然打不上卡。解决方法是先做一次「摸底测试」用采集好的样本分别执行 predict打印出本人和陌生人的实际距离范围然后取两者中间值作为阈值。比如测出来本人距离最高 65陌生人最低 85阈值取 70 到 75 之间就非常稳。另外还要注意如果本人距离整体偏高比如全在 90 以上这不是阈值的问题是训练样本太少或光线变化太大需要回去补样本而不是继续放宽阈值。5.5 logcat.csv 用 Excel 打开中文乱码现象是 CSV 文件用记事本打开一切正常但用 Excel 打开后中文全部变成乱码。原因是写入时用了 UTF-8 编码而 Windows 的 Excel 默认按 ANSI 也就是 GBK 去解析 CSV 文件编码对不上自然乱码。解决方案是写入时加上 BOM 头让 Excel 识别出文件是 UTF-8 编码。我在第 4 章的代码里写的是 encodingutf-8-sig这个 sig 就是 BOM它会在文件开头写入一个不可见标记Excel 读到这个标记就会用 UTF-8 解码。如果已经生成了乱码文件用记事本打开后另存为 ANSI 编码即可但更好的做法是删掉重新生成。这个坑的影响面比想象中大。答辩时评委一般会直接双击打开 logcat.csv 看考勤记录如果满屏乱码第一印象就会打折扣。同样的问题也适用于 feature_all.csv所以两个文件的写入编码务必都用 utf-8-sig。另外写 CSV 时记得带上 newline 参数否则在 Windows 上每行之间会产生空行那是由 CSV 库和系统换行符叠加导致的看起来虽不难看但会显得代码不够严谨。6. 把系统从「能跑」变成「答辩稳」演示视频验证与阈值收口等到系统在你自己的电脑上能稳定跑通了别急着收工先做一轮「答辩模拟」。现场演示最怕的不是算法不行而是硬件不给面子——会议室光线不足、摄像头被别人占用、投影仪分辨率干扰任何一个小问题都会让演示当场翻车。我一般会准备一条退路把演示过程录制成视频识别代码直接读取视频文件而不是摄像头这样现场演示时只要双击脚本画面就会稳定播放识别结果和实时摄像头模式完全一致。把摄像头换成视频文件只需要改一行代码cap cv2.VideoCapture(demo.mp4)。录制 demo.mp4 时有一个细节视频分辨率不要太高1080p 就行因为识别端还会把帧缩放到 960 宽源视频再高也是浪费。录制内容建议覆盖两个场景一段是员工正常打卡另一段是陌生人尝试打卡被拒绝停留两秒间隔循环时长控制在 30 秒左右。演示时评委看到的是连贯的识别过程你就有了充足的时间讲解原理。阈值收口这一步同样在答辩前完成。用每个员工的样本跑一遍摸底测试记录本人和陌生人的置信度区间把 config.py 里的 CONF_THRESHOLD 调整到两个区间的中间值。我遇到过的情况是某个员工戴眼镜和不戴眼镜时距离差得很大阈值取中间值会导致戴眼镜时识别率下降。这时候最优解不是继续调阈值而是让该员工补采一组戴眼镜的样本重新训练。样本多样性对 LBPH 的改善是立竿见影的比任何参数调整都有效。验证流程建议做一次完整的「四步走」清空 feature_all.csv 重新采集样本、重新训练、跑识别打卡、打开 logcat.csv 检查记录。四步都走通之后把 config.py 和两个 CSV 文件备份一份就算答辩现场代码被误改了也可以用备份快速还原。从那次之后我每次打开这套系统第一件事就是确认虚拟环境激活、第二件事验证摄像头索引、第三件事才跑 main.py三步少一步都可能翻车。这套流程花不了两分钟但能挡掉大部分现场事故。这套资源里的源码和文档都是现成的建议先原样跑通再按自己的需求改希望帮到你。本文还有配套的精品资源点击获取