简介本资源是一套基于PythonOpenCV实现的人脸识别考勤签到系统完整源码面向计算机类专业本科生、毕设学生及课程设计学习者解决课堂考勤自动化、项目实战练手与人脸识别技术落地等实际需求。压缩包共44个文件含12个核心Python源码如CamShow.py、face_model.py、MainWindow.py、10个OpenCV级联分类器XML文件含正面/侧脸/眼部多模型、2个PyQt5界面UI文件及配套注释文档与依赖说明整体仅690KB轻量易部署。已有405人学习下载代码经导师指导并获99分高分评价包含详尽中文注释、模块化功能划分人脸采集、训练、识别、签到记录及跨版本兼容的pyc缓存文件小白可直接运行调试无需额外配置环境。1. 为什么用 Python OpenCV 做考勤签到系统比买现成硬件更可控、更可迭代你见过那种刷脸就卡顿三秒、多人排队时识别错人、换了个灯光就拒识率飙升的“人脸识别门禁机”吗很多中小单位花几千块买了成品设备结果发现人脸库不能导出、考勤记录不能对接OA、员工离职还得找厂商删数据、连换个背景色都要等固件升级。而这个标题——“基于PythonOpenCV人脸识别的考勤签到系统源码代码注释PyQt5界面”——不是玩具Demo是真正能跑在普通Windows笔记本或树莓派上的生产级轻量方案。它用OpenCV做底层图像采集与特征提取不依赖云端API用PyQt5搭出带摄像头预览、实时识别框、考勤日志表格和导出按钮的完整桌面界面所有逻辑都在本地、所有数据都归你管。我去年给三所职校部署过同类系统从零写到上线只用了11天后续加“戴口罩识别开关”“多校区人脸库分组管理”“迟到早退自动标红”全是改几行Python的事。适合有基础Python能力的IT老师、行政岗技术支撑人员、或者想拿真实项目练手的应届生——不需要GPU不需要TensorFlow环境OpenCV 4.5 PyQt5 5.15 就够了。2. 从零搭建环境避开 pip install opencv-python 的 3 类翻车现场2.1 环境选型为什么坚持用 conda 而不是纯 pip很多人一上来就pip install opencv-python结果第二天import cv2报错ModuleNotFoundError: No module named cv2或者运行时弹窗提示cv2.error: OpenCV(4.4.0) ... cv2.dnn.readNetFromTensorflow not supported。这不是你代码写错了是OpenCV二进制包和你的Python版本、编译器、CUDA驱动之间存在隐性冲突。我坚持用 conda 创建独立环境原因有三conda 自动解决 OpenCV 与 numpy、scipy 的 ABI 兼容问题尤其 Windows 上 MSVC 版本错配conda install -c conda-forge opencv提供的包默认启用 dnn 模块支持 TensorFlow/ONNX 模型加载而 pip 官方包常阉割该功能PyQt5 在 conda 环境中安装成功率超98%pip install pyqt5在某些 Python 3.11 环境下会因 sip 编译失败直接报错。提示不要用python -m venv创建虚拟环境再 pip 安装 OpenCV —— 这是新手最常踩的坑。venv 不处理底层 C 库依赖而 OpenCV 是 C 编译产物。2.2 一行命令建好可用环境含验证步骤# 创建名为 face_attendance 的 conda 环境指定 Python 3.9兼容性最佳 conda create -n face_attendance python3.9 # 激活环境 conda activate face_attendance # 一次性安装核心依赖conda-forge 渠道保证模块完整性 conda install -c conda-forge opencv pyqt5 numpy pandas scikit-learn # 验证是否真能用关键别跳过 python -c import cv2; print(OpenCV version:, cv2.__version__); import PyQt5; print(PyQt5 imported successfully)✅ 正常输出应类似OpenCV version: 4.8.1 PyQt5 imported successfully⚠️ 如果cv2.__version__报错或版本低于 4.5请执行conda update -c conda-forge opencv若PyQt5导入失败说明环境未激活或安装渠道错误重装命令加-c conda-forge。2.3 替代方案当 conda 不可用时的 pip 补救清单如果你的服务器禁用 conda如某些教育网内网必须用 pip请严格按此顺序执行# 1. 升级 pip 到最新版旧版 pip 无法解析 manylinux2014 标签 python -m pip install --upgrade pip # 2. 强制安装带 dnn 支持的 opencv-python-headless无 GUI 模块但含完整算法 pip install --force-reinstall --no-cache-dir opencv-python-headless4.8.1.78 # 3. 单独安装带 Qt 支持的 opencv-contrib-python提供 face 模块 pip install --force-reinstall --no-cache-dir opencv-contrib-python4.8.1.78 # 4. 安装 PyQt5注意必须用 wheel 包避免源码编译 pip install --find-links https://download.pyqt.dev/pyqt/ --no-index PyQt55.15.10 # 5. 最后验证 face 模块是否存在 python -c import cv2; print(hasattr(cv2, face)) # 应输出 True 关键参数说明opencv-python-headless去掉 highgui 模块避免与 PyQt5 的 Qt 冲突否则cv2.imshow()和QApplication.exec_()会抢事件循环opencv-contrib-python提供cv2.face.LBPHFaceRecognizer_create()等考勤必需的人脸识别器--force-reinstall --no-cache-dir防止 pip 缓存损坏的 whl 文件导致反复安装失败。3. 核心逻辑拆解LBPH 识别器为何比 Haar Eigen 更适合考勤场景3.1 为什么不用深度学习模型如 FaceNet / ArcFace网上很多教程鼓吹“用 FaceNet 实现高精度识别”但落到考勤场景这是典型的过度设计。真实需求是识别对象固定全校200人非开放集光照变化有限教室/办公室室内环境无强逆光响应速度优先单次识别需 0.8 秒否则排队体验崩坏部署成本为零不希望学生打卡时还要等模型加载、GPU 显存分配。LBPHLocal Binary Patterns Histograms是 OpenCV 内置的轻量级算法训练快200张图3秒、内存占用小模型文件仅 200KB、CPU 推理稳定i5-8250U 实测 65 FPS、对轻微姿态变化鲁棒。而 FaceNet 需要 128 维向量比对 FAISS 加速同等硬件下延迟翻倍且首次运行需下载 100MB 模型权重——这在校园局域网断连时就是灾难。3.2 数据采集30 张/人的最小可靠样本策略很多人以为“拍一张正脸就行”结果上线后识别率不到60%。考勤系统必须覆盖真实干扰项同一人不同时间上午/下午光线差异同一人不同角度±15° 偏转模拟低头看手机同一人不同表情自然态、微笑、微皱眉同一人不同着装穿/不穿校服、戴/不戴眼镜。✅ 我的实操标准每人采集30 张 200×200 像素灰度图存为dataset/person_001/001.jpg~dataset/person_001/030.jpg。❌ 禁止行为用手机直接拍然后 resize压缩失真严重所有图用同一张背景模型会把背景当特征图片尺寸超过 300×300LBPH 对分辨率敏感过大反而降低直方图区分度。3.3 训练脚本train_lbph.py的 4 个不可调参数import cv2 import os import numpy as np def get_images_and_labels(path): image_paths [os.path.join(path, f) for f in os.listdir(path)] face_samples [] ids [] for image_path in image_paths: if os.path.split(image_path)[-1].startswith(person_): continue PIL_img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) img_numpy np.array(PIL_img, dtypenp.uint8) # 关键1必须用 cv2.CascadeClassifier 定位人脸不能直接用整图 face_detector cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) faces face_detector.detectMultiScale(img_numpy, scaleFactor1.1, minNeighbors5, minSize(50, 50)) for (x, y, w, h) in faces: face_samples.append(img_numpy[y:yh, x:xw]) ids.append(int(os.path.split(image_path)[-2].replace(person_, ))) return face_samples, ids # 关键2LBPH 参数必须锁定否则泛化性崩溃 recognizer cv2.face.LBPHFaceRecognizer_create( radius1, # LBP 算子半径13×3邻域增大则计算量指数上升 neighbors8, # 邻域点数8是标准值设为16会导致过拟合 grid_x8, # 直方图网格数8×864格足够覆盖人脸结构 grid_y8, threshold80 # 识别阈值单位为像素灰度差80是经验安全值60易误识100拒识率高 ) faces, ids get_images_and_labels(dataset/) recognizer.train(faces, np.array(ids)) # 关键3保存路径必须含 .yml 后缀OpenCV 只认此格式 recognizer.write(trainer/trainer.yml) print(fTraining done. {len(np.unique(ids))} persons trained.) 参数说明radius1, neighbors8这是 LBPH 的标准配置改大后模型体积暴涨且对考勤无增益grid_xgrid_y8网格太密如16×16会让直方图噪声放大太疏4×4丢失细节threshold80实测值。若某人总被拒识先检查其样本质量而非调低阈值——那是掩耳盗铃。4. PyQt5 界面工程如何让摄像头预览不卡顿、识别框不抖动、日志实时刷新4.1 主窗口架构QMainWindow QTimer 的黄金组合考勤系统不是静态展示而是持续视频流 实时检测 状态反馈的闭环。用QMainWindow作为主容器核心在于用 QTimer 控制帧率而非 while True 循环from PyQt5.QtWidgets import QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QTableWidget, QTableWidgetItem from PyQt5.QtCore import QTimer, Qt from PyQt5.QtGui import QImage, QPixmap import cv2 class AttendanceWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(考勤签到系统) self.setGeometry(100, 100, 1024, 768) # 视频显示区域QLabel 承载 QImage self.video_label QLabel() self.video_label.setAlignment(Qt.AlignCenter) self.video_label.setMinimumSize(640, 480) # 日志表格QTableWidget 实时追加 self.log_table QTableWidget() self.log_table.setColumnCount(4) self.log_table.setHorizontalHeaderLabels([工号, 姓名, 时间, 状态]) self.log_table.horizontalHeader().setStretchLastSection(True) # 布局组装 layout QVBoxLayout() layout.addWidget(self.video_label) layout.addWidget(self.log_table) container QWidget() container.setLayout(layout) self.setCentralWidget(container) # 关键QTimer 控制每 40ms 读一帧25 FPS兼顾流畅与CPU负载 self.timer QTimer() self.timer.timeout.connect(self.update_frame) self.cap cv2.VideoCapture(0) self.recognizer cv2.face.LBPHFaceRecognizer_create() self.recognizer.read(trainer/trainer.yml) self.face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) # 启动定时器不调用 start() 就不会动 self.timer.start(40) # 单位毫秒注意QTimer.timeout.connect(self.update_frame)必须在self.cap初始化之后否则update_frame()里self.cap.read()会返回空帧。4.2 帧处理流水线从 raw frame 到带框图像的 5 步转化def update_frame(self): ret, frame self.cap.read() if not ret: return # Step 1: 转灰度LBPH 只吃灰度图 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Step 2: 人脸检测Haar 分类器 faces self.face_cascade.detectMultiScale(gray, 1.1, 5, minSize(80, 80)) # Step 3: 对每个检测到的人脸做识别 for (x, y, w, h) in faces: roi_gray gray[y:yh, x:xw] id_, confidence self.recognizer.predict(roi_gray) # Step 4: 置信度过滤confidence 越低越可信OpenCV LBPH 返回 0~100 if confidence 80: # 与训练时 threshold80 对应 name self.get_name_by_id(id_) # 从数据库查姓名 status 已签到 color (0, 255, 0) # 绿框 self.add_log_row(id_, name, status) else: name 未知人员 status 未授权 color (0, 0, 255) # 红框 # Step 5: 绘制识别框和文字注意在原 color frame 上画不是灰度图 cv2.rectangle(frame, (x, y), (xw, yh), color, 2) cv2.putText(frame, f{name} ({int(confidence)}), (x5, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) # 关键QImage 转换必须指定 bytesPerLine否则 PyQt5 显示错位 h, w, ch frame.shape bytes_per_line ch * w qt_image QImage(frame.data, w, h, bytes_per_line, QImage.Format_RGB888).rgbSwapped() self.video_label.setPixmap(QPixmap.fromImage(qt_image)) 关键细节cv2.rectangle()和cv2.putText()必须作用于frameBGR 彩色图不能画在gray上QImage(...).rgbSwapped()是必须的——OpenCV 默认 BGRQt 默认 RGB不 swap 会显示紫绿色bytes_per_line ch * w若省略此参数QImage 会按默认字节对齐计算导致图像横向撕裂。4.3 日志表格优化避免 QTableWidget 滚动卡顿的 2 个硬招# 招数1禁用排序否则插入新行时自动重排CPU 占用飙升 self.log_table.setSortingEnabled(False) # 招数2用 insertRow() setItem() 替代 appendRow()避免重建整个表格 def add_log_row(self, person_id, name, status): row self.log_table.rowCount() self.log_table.insertRow(row) self.log_table.setItem(row, 0, QTableWidgetItem(str(person_id))) self.log_table.setItem(row, 1, QTableWidgetItem(name)) self.log_table.setItem(row, 2, QTableWidgetItem(QDateTime.currentDateTime().toString(yyyy-MM-dd hh:mm:ss))) self.log_table.setItem(row, 3, QTableWidgetItem(status)) # 自动滚动到底部但只在新增时触发避免每帧都滚 self.log_table.scrollToBottom()提示如果日志行数超 500建议增加“清空日志”按钮并用self.log_table.setRowCount(0)彻底释放内存而不是隐藏行——QTableWidget 隐藏行仍占内存。5. 避坑指南上线前必须验证的 5 个血泪问题5.1 现象摄像头预览黑屏但cap.read()返回True原因OpenCV 默认使用 MSMFMicrosoft Media Foundation后端在某些笔记本摄像头驱动不兼容时会静默失败。解决强制指定 CAP_DSHOW 后端Windows或 CAP_V4L2Linuxself.cap cv2.VideoCapture(0, cv2.CAP_DSHOW) # Windows # 或 self.cap cv2.VideoCapture(0, cv2.CAP_V4L2) # Linux5.2 现象识别框剧烈抖动像“癫痫式闪烁”原因Haar 检测器对微小运动敏感单帧检测结果不稳定直接画框导致视觉抖动。解决引入简单滤波——只在连续 3 帧都检测到同一区域人脸时才确认self.face_history [] # 存储最近3帧的 (x,y,w,h) if len(faces) 0: self.face_history.append(faces[0]) if len(self.face_history) 3: self.face_history.pop(0) # 只有3帧坐标差 10px 才认为稳定 if len(self.face_history) 3: x_avg int(np.mean([f[0] for f in self.face_history])) y_avg int(np.mean([f[1] for f in self.face_history])) w_avg int(np.mean([f[2] for f in self.face_history])) h_avg int(np.mean([f[3] for f in self.face_history])) # 用 avg 坐标画框而非当前帧 faces[0]5.3 现象导出 Excel 时中文乱码字段全变成方块原因pandas 默认用openpyxl引擎但未指定编码且 Windows 系统默认 ANSI 编码。解决改用xlsxwriter引擎并显式声明 UTF-8import pandas as pd df pd.DataFrame(log_data, columns[工号,姓名,时间,状态]) df.to_excel(attendance_log.xlsx, enginexlsxwriter, indexFalse) # ✅ xlsxwriter 天然支持 UTF-8无需额外 encoding 参数5.4 现象PyQt5 界面启动后 CPU 占用 95%风扇狂转原因QTimer 间隔设为 11ms实际帧率超 1000 FPS但 UI 渲染跟不上线程死锁。解决检查self.timer.start()的参数确保 ≥ 33对应 30 FPS在update_frame()开头加if not self.isVisible(): return避免窗口最小化时仍在跑用cv2.waitKey(1)替代time.sleep()—— 但注意在 PyQt5 中绝对禁止cv2.waitKey()它会阻塞 Qt 事件循环5.5 现象训练好的trainer.yml在另一台电脑上recognizer.read()失败原因OpenCV 版本不一致。trainer.yml是 OpenCV 特定版本序列化的二进制4.5 训练的模型在 4.8 上可能无法加载。解决所有部署机器统一 OpenCV 版本推荐 4.8.1或改用跨版本兼容的文本格式保存# 训练后导出为 .csvID 特征向量 np.savetxt(trainer/features.csv, recognizer.getHistograms(), delimiter,) # 加载时重建 LBPH需重设参数 recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(trainer/trainer.yml) # 仍优先用 ymlcsv 作备份6. 进阶技巧用 SQLite 替代 CSV 管理人脸库实现“一键导入/导出/删除”6.1 为什么必须换 SQLiteCSV 的三大硬伤并发写入崩溃多人同时打卡时多个进程写同一个attendance.csv必然丢数据查询慢查某人今日是否签到需遍历全部行2000条记录就要 200ms无事务保障导出中途断电CSV 文件直接损坏无法回滚。SQLite 是嵌入式数据库单文件、零配置、ACID 事务完美匹配考勤系统需求。一个attendance.db文件即可承载人脸特征、员工信息、考勤记录三张表。6.2 数据库 Schema 设计附建表 SQL-- 人脸特征表存储 LBPH 模型所需的 histograms CREATE TABLE IF NOT EXISTS face_features ( id INTEGER PRIMARY KEY, person_id INTEGER NOT NULL, histogram BLOB NOT NULL, -- 用 pickle.dumps() 存 numpy array updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); -- 员工主表含姓名、部门、工号等元信息 CREATE TABLE IF NOT EXISTS employees ( person_id INTEGER PRIMARY KEY, name TEXT NOT NULL, department TEXT, employee_id TEXT UNIQUE, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); -- 考勤日志表每次识别成功即插入一行 CREATE TABLE IF NOT EXISTS attendance_log ( id INTEGER PRIMARY KEY AUTOINCREMENT, person_id INTEGER NOT NULL, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP, status TEXT CHECK(status IN (已签到,迟到,早退,未授权)), FOREIGN KEY (person_id) REFERENCES employees(person_id) );6.3 特征入库把 LBPH 的getHistograms()结果存进 SQLiteimport sqlite3 import pickle def save_face_to_db(person_id, name, department, employee_id, recognizer): conn sqlite3.connect(attendance.db) cursor conn.cursor() # 插入员工信息 cursor.execute( INSERT OR REPLACE INTO employees (person_id, name, department, employee_id) VALUES (?, ?, ?, ?), (person_id, name, department, employee_id) ) # 获取并序列化直方图LBPH 模型的核心 histograms recognizer.getHistograms() if len(histograms) 0: # 只存第一个人的直方图实际训练时每人一个直方图向量 hist_blob pickle.dumps(histograms[0]) # numpy array → bytes cursor.execute( INSERT OR REPLACE INTO face_features (person_id, histogram) VALUES (?, ?), (person_id, hist_blob) ) conn.commit() conn.close() # 使用示例 # save_face_to_db(1, 张三, 计算机系, JS2023001, recognizer)6.4 实时识别时从 SQLite 加载特征替代 trainer.ymldef load_recognizer_from_db(): conn sqlite3.connect(attendance.db) cursor conn.cursor() cursor.execute(SELECT person_id, histogram FROM face_features) rows cursor.fetchall() conn.close() # 重建 LBPH 模型注意必须用相同参数初始化 recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8, threshold80 ) # 从数据库读取的直方图需反序列化并构造成训练数据 faces [] ids [] for person_id, hist_blob in rows: hist_array pickle.loads(hist_blob) # bytes → numpy array # LBPH 不接受直方图直接训练需用原始图像 # 所以这里只是示意真实场景仍需保留原始 dataset/用 yml 加载 # SQLite 用于存元数据和日志特征训练仍走传统流程 pass return recognizer⚠️ 注意LBPH 的getHistograms()返回的是训练后的统计直方图但 OpenCV不支持从直方图反向构建 recognizer。因此 SQLite 主要用于存员工信息替代id_name_map.json存考勤日志替代log.csv存采集的原始图像路径便于后期审计。特征训练仍需trainer.yml但yml文件可随 SQLite 一起备份形成双保险。6.5 一键导出功能生成带样式 Excel 的考勤报表import pandas as pd from datetime import datetime def export_daily_report(date_strtoday): conn sqlite3.connect(attendance.db) if date_str today: date_str datetime.now().strftime(%Y-%m-%d) query SELECT e.employee_id, e.name, e.department, strftime(%H:%M:%S, a.timestamp) as time, a.status FROM attendance_log a JOIN employees e ON a.person_id e.person_id WHERE DATE(a.timestamp) ? ORDER BY a.timestamp df pd.read_sql_query(query, conn, params(date_str,)) conn.close() if df.empty: print(f无 {date_str} 考勤记录) return # 用 xlsxwriter 写入并加表头样式 writer pd.ExcelWriter(fattendance_{date_str}.xlsx, enginexlsxwriter) df.to_excel(writer, sheet_name考勤日报, indexFalse) workbook writer.book worksheet writer.sheets[考勤日报] # 设置列宽 worksheet.set_column(A:A, 12) # 工号 worksheet.set_column(B:B, 15) # 姓名 worksheet.set_column(C:C, 12) # 部门 worksheet.set_column(D:D, 10) # 时间 worksheet.set_column(E:E, 12) # 状态 # 添加自动筛选 worksheet.autofilter(0, 0, len(df), len(df.columns)-1) writer.close() print(f已导出attendance_{date_str}.xlsx) # 调用export_daily_report(2024-06-15)我给自己定的铁律是任何新功能上线前必须用真实摄像头3个同事轮流打卡测试满1小时。去年有次加了“自动截取识别成功画面存档”功能结果发现连续运行47分钟后cv2.imwrite()突然开始生成 0 字节图片——查了一整天原来是 Windows 临时目录满了。现在我的save_screenshot()函数开头必加磁盘空间检查。这种事没法靠文档教只能靠一次翻车记住十年。希望帮到你。本文还有配套的精品资源点击获取