 锋哥原创出品，必属精品)
大家好，我是Java1234_小锋老师，分享一套锋哥原创的人脸识别 智能门禁系统(深度学习+OpenCV DNN+FastAPI+Vue3)
项目介绍
出入控制是安防体系中的基础环节。长期以来，IC 卡、密码键盘和门禁钥匙在企事业单位中广泛使用，但存在卡片易丢失、密码易泄露、冒用难追溯等问题。尤其在人员流动性较高的园区与写字楼场景中，卡片补办成本高，权限变更往往滞后，管理方难以及时掌握“谁在何时从何处进出”的完整信息。近年来，深度学习推动生物特征识别技术快速落地，人脸识别因采集成本低、通行体验好、可与视频监控联动，成为智能门禁的主流方案之一。
在智慧园区和数字化办公场景中，门禁系统不仅要完成“开门”，还要完成“管人、管设备、管权限、管记录、管告警”的闭环。将人脸识别与后台管理系统结合，能够把身份核验、权限策略和安全事件处理统一到同一平台，提升管理效率与安全水平。对组织管理者而言，系统可以支撑考勤辅助、访客管控与安全审计；对通行者而言，非接触式识别减少了掏卡刷卡的繁琐步骤，也降低了交叉接触风险。因此，研究并实现一套结构清晰、技术路线明确、可演示可扩展的带人脸识别智能门禁系统，具有明确的工程意义与教学价值。
本课题选择 OpenCV DNN、YuNet 与 SFace 作为识别技术路线，结合 Python、FastAPI 与 Vue3 完成系统开发。该方案无需依赖商业闭源 SDK，模型文件体积较小，部署门槛低，适合本科毕业设计在有限硬件条件下完成可运行原型，同时又能体现深度学习在实际工程中的应用方式。与单纯调用云端识别 API 相比，本地化推理更有利于保护人脸生物特征数据，也便于在论文中完整展示算法调用链路与系统设计细节。
从人才培养角度看，本课题横跨软件工程、数据库原理、Web 开发与计算机视觉等多个知识模块，要求学生把课堂理论转化为可运行系统，锻炼需求分析、模块划分、接口设计、测试验证和论文表达能力，符合本科毕业设计“综合训练”的定位。
源码下载
链接: https://pan.baidu.com/s/1XF5Bj0hyipdAXhTywhfmmg?pwd=1234
提取码: 1234
系统展示
![]()
![]()
![]()
![]()
![]()
![]()
核心代码
""" OpenCV DNN 人脸识别引擎 使用 YuNet 人脸检测 + SFace 特征提取 """ import os from typing import Optional, Tuple import cv2 import numpy as np from app.core.config import settings class FaceEngine: """人脸识别引擎单例类""" _instance = None def __new__(cls): if cls._instance is None: cls._instance = super().__new__(cls) cls._instance._initialized = False return cls._instance def __init__(self): if self._initialized: return self.detector = None self.recognizer = None self._initialized = True def load_models(self): """ 加载 YuNet 和 SFace 模型 """ models_dir = settings.MODELS_DIR os.makedirs(models_dir, exist_ok=True) yunet_path = os.path.join(models_dir, "face_detection_yunet_2023mar.onnx") sface_path = os.path.join(models_dir, "face_recognition_sface_2021dec.onnx") if not os.path.exists(yunet_path) or not os.path.exists(sface_path): raise FileNotFoundError(f"模型文件不存在，请先运行 scripts/download_models.py 下载模型") self.detector = cv2.FaceDetectorYN.create(yunet_path, "", (320, 320), 0.6, 0.3, 5000) self.recognizer = cv2.FaceRecognizerSF.create(sface_path, "") print("[FaceEngine] 模型加载成功") def detect_largest_face(self, image: np.ndarray) -> Optional[np.ndarray]: """ 检测图像中最大的人脸 Args: image: BGR格式图像 Returns: 人脸检测结果行向量 [x,y,w,h,...] 或 None """ if self.detector is None: self.load_models() h, w = image.shape[:2] self.detector.setInputSize((w, h)) _, faces = self.detector.detect(image) if faces is None or len(faces) == 0: return None areas = faces[:, 2] * faces[:, 3] return faces[np.argmax(areas)] def extract_feature(self, image: np.ndarray, face: np.ndarray) -> Optional[np.ndarray]: """ 提取人脸128维特征向量 Args: image: BGR格式图像 face: 人脸检测结果 Returns: 128维特征向量 """ if self.recognizer is None: self.load_models() aligned = self.recognizer.alignCrop(image, face) feature = self.recognizer.feature(aligned) return feature.flatten() def process_image(self, image: np.ndarray) -> Tuple[Optional[np.ndarray], Optional[np.ndarray]]: """ 检测并提取特征（一步完成） Args: image: BGR格式图像 Returns: (特征向量, 人脸框) 或 (None, None) """ face = self.detect_largest_face(image) if face is None: return None, None feature = self.extract_feature(image, face) return feature, face @staticmethod def cosine_similarity(feat1: np.ndarray, feat2: np.ndarray) -> float: """ 计算两个特征向量的余弦相似度 """ norm1 = np.linalg.norm(feat1) norm2 = np.linalg.norm(feat2) if norm1 == 0 or norm2 == 0: return 0.0 return float(np.dot(feat1, feat2) / (norm1 * norm2)) @staticmethod def decode_image(image_bytes: bytes) -> np.ndarray: """将字节解码为OpenCV图像""" nparr = np.frombuffer(image_bytes, np.uint8) return cv2.imdecode(nparr, cv2.IMREAD_COLOR) face_engine = FaceEngine()<template> <div class="page-container"> <div class="page-header"><h2>我的人脸</h2></div> <div class="face-grid"> <div v-for="f in faceList" :key="f.id" class="face-card"> <el-image :src="f.image_url" fit="cover" style="width:160px;height:160px;border-radius:12px" /> <div class="face-info"> <el-tag v-if="f.is_primary" type="success" size="small">主图</el-tag> <span v-if="f.quality_score">质量: {{ f.quality_score }}</span> <span>{{ f.create_time }}</span> </div> </div> <el-empty v-if="!faceList.length" description="暂无录入人脸，请联系管理员录入" /> </div> </div> </template> <script setup> /** 我的人脸页面（普通用户） */ import { ref, onMounted } from 'vue' import { faceApi } from '@/api' const faceList = ref([]) onMounted(async () => { const res = await faceApi.list() faceList.value = res.data }) </script> <style scoped> .face-grid { display: flex; flex-wrap: wrap; gap: 20px; } .face-card { background: #fff; padding: 16px; border-radius: 12px; box-shadow: 0 2px 12px rgba(0,0,0,0.06); text-align: center; } .face-info { margin-top: 8px; display: flex; flex-direction: column; gap: 4px; font-size: 13px; color: #909399; } </style>
