深度学习人脸识别考勤系统：特征库与可执行程序实战指南-育师

简介：这份资源是一套基于深度学习的人脸识别考勤系统完整项目包，面向人工智能、计算机视觉方向的课程设计与毕业设计学生，以及希望实践YOLO目标检测与CNN人脸识别的开发者。项目围绕数据采集、预处理、模型训练、系统集成、界面设计与安全部署等环节展开，采用YOLO算法完成人脸定位，并借助TensorFlow或PyTorch构建卷积神经网络实现识别分类，同时兼顾考勤数据管理与防照片攻击等安全性设计。压缩包共121个文件，约19.67MB，包含31个Python源码、18个编译文件、37张jpg样本图像、6个npy数据文件，以及csv、txt、md等配置与说明文档，另附可执行程序与前端页面，便于直接运行和二次开发。目前已有44人学习下载。读者可获得从数据准备到模型训练、系统集成的完整工程结构，参考人脸识别考勤的落地思路与代码组织方式，适合作为课程设计、毕业设计或项目练手的实践素材。

1. 从一堆散件到能跑的人脸考勤：这个压缩包到底装了什么

如果你正在做深度学习课程设计或毕业设计，大概率会遇到这种局面：算法课设要交一个「能演示、能讲清、能改」的完整项目，但自己从零搭一套人脸识别考勤系统，光是数据采集、模型训练、界面联调就能拖掉两三周。这个压缩包就是冲着这个场景来的——它把一套基于深度学习的人脸识别考勤系统打包成了可直接运行的形态，核心文件包括Start.exe、features_all.csv，以及若干用于测试的人脸样本图（1.jpg、ans.jpg、wangou_3.jpg、wuqingfeng.jpg）。从文件构成看，它走的是「人脸特征库 + 可执行程序」的路线：features_all.csv存放已提取的人脸特征向量，Start.exe负责调用摄像头、比对特征并输出考勤结果。它适合三类人：想快速拿到一个可演示系统的课设选手、想拆开看人脸识别工程落地长什么样的初学者、以及需要在此基础上改功能（比如换成自己的名单、接入数据库）的进阶者。下面按「它怎么工作 → 怎么跑起来 → 怎么换成你自己的数据 → 坑在哪」的顺序拆一遍。

2. 拆开看结构：features_all.csv 与 Start.exe 是怎么配合的

2.1 为什么是「特征库 + 可执行程序」而不是端到端训练

很多人一提到深度学习人脸识别，第一反应是「我要训练一个 CNN」。但真正落到考勤这种小规模、固定名单的场景，常见做法并不是每次跑都重新训练网络，而是把「特征提取」和「特征比对」拆成两步。features_all.csv就是这个思路的产物：它保存的是每个人脸样本经过网络前向计算后得到的特征向量（通常是 128 维或 512 维的浮点数组），而不是原始图片。Start.exe在运行时只做三件事——打开摄像头抓帧、对当前帧做人脸检测与特征提取、拿当前特征去和features_all.csv里的向量算距离（常用欧氏距离或余弦相似度），距离小于阈值就判定为同一人。

这样做的好处很直接：识别阶段不需要 GPU 反复跑完整网络，CPU 也能做到接近实时；名单增减只需要改 CSV，不用重新训练。代价是features_all.csv的质量直接决定识别效果——如果注册时用的照片角度单一、光照差，后面识别就会频繁翻车。

2.2 用 Python 读一遍 features_all.csv，看清它的字段

在动手跑Start.exe之前，建议先用几行代码把特征库读出来，确认它的结构。不同实现保存格式略有差异，常见的是「姓名 + 特征列」或「姓名 + 图片路径 + 特征列」。下面这段代码兼容两种常见情况：

import csv import numpy as np # 读取特征库，先看表头和前两行，确认列含义 with open('features_all.csv', 'r', encoding='utf-8') as f: reader = csv.reader(f) header = next(reader) # 表头，通常是 name,feature_0,...feature_127 rows = list(reader) print('列数:', len(header)) print('表头前5列:', header[:5]) print('样本数:', len(rows)) # 假设第0列是姓名，第1列开始是特征 name = rows[0][0] feat = np.array(rows[0][1:], dtype=np.float32) print('第一个人:', name, '特征维度:', feat.shape) print('特征前5个值:', feat[:5])

逻辑说明：csv.reader逐行读取，next(reader)单独取出表头，避免把表头当成数据。np.array(..., dtype=np.float32)把字符串转成浮点数组，方便后续算距离。参数上要注意两点：一是编码，如果 CSV 里有中文姓名，encoding='utf-8'不能省，否则会报UnicodeDecodeError；二是列偏移，有的实现第 0 列是姓名、第 1 列是图片路径、第 2 列才是特征，读之前先打印header确认，不要硬编码。

2.3 Start.exe 的运行依赖与启动顺序

Start.exe是打包好的可执行文件，通常由 PyInstaller 从 Python 脚本打包而来。它运行时依赖三样东西：摄像头驱动、同目录下的features_all.csv、以及打包进 exe 的模型权重。启动顺序建议是：先确认摄像头可用（用系统自带相机应用试一下），再把Start.exe和features_all.csv放在同一目录，最后双击运行。如果闪退，常见原因是缺少 Visual C++ 运行库或摄像头被其他程序占用。

提示：不要单独把Start.exe拷到别的文件夹运行，它默认按相对路径找features_all.csv，找不到就会直接退出或报错。

2.4 用测试图验证识别链路是否通

压缩包里的1.jpg、ans.jpg、wangou_3.jpg、wuqingfeng.jpg不是随便放的，它们是用来验证「检测 → 特征提取 → 比对」这条链路是否正常的样本。你可以先用这些图做离线测试，而不是一上来就开摄像头。常见做法是写一个小脚本，对每张图提取特征，再和features_all.csv里的向量算距离：

import cv2 import numpy as np # 这里假设你有一个可调用的特征提取函数 extract_feature # 实际项目中它可能来自 face_recognition、insightface 或自训练模型 def cosine_distance(a, b): a = a / np.linalg.norm(a) b = b / np.linalg.norm(b) return 1 - np.dot(a, b) # 越接近0越相似 # 读取一张测试图并提取特征（示意） img = cv2.imread('wuqingfeng.jpg') # feat_test = extract_feature(img) # 替换为实际提取逻辑 # 再与CSV中同名样本比对，观察距离是否小于阈值

逻辑说明：cosine_distance先做 L2 归一化再点积，返回值越小表示越相似，通常阈值设在 0.4～0.6 之间（具体看模型）。参数上，阈值不是固定的，注册样本多、质量好可以收紧到 0.4，样本少、光照差就放宽到 0.6，但放太宽会误识。这一步的目的是在开摄像头之前，先确认「同一人的两张图距离明显小于不同人」，否则后面调摄像头也是白调。

3. 换成你自己的名单：注册流程与特征写入

3.1 采集多少张、什么角度才算够

想让系统认你，就得先把你的脸写进features_all.csv。采集环节最容易被低估。血泪经验是：只拍一张正脸照，识别时稍微侧头或换个灯光就挂。常见做法是每人采集 5～10 张，覆盖正脸、左右各偏 15～30 度、稍微仰头和低头，光照上尽量包含室内冷光和暖光各一组。不要用美颜滤镜，也不要用戴帽子、戴口罩的照片，除非你考勤时也这么戴。

采集时还要注意背景：尽量选纯色墙面，避免背后有人脸海报或强逆光。如果压缩包里自带的样本图是你认识的人，可以直接拿它们当「已注册用户」先跑通流程，再替换成自己的。

3.2 把新样本写进 features_all.csv 的完整脚本

注册的本质是「对每张新图提取特征，追加到 CSV」。下面这段代码给出一个可复用的写入流程，关键点是：先读旧表头，保证列对齐；特征转成字符串时统一精度，避免 CSV 膨胀。

import csv import os import numpy as np CSV_PATH = 'features_all.csv' NEW_NAME = 'zhangsan' IMG_DIR = 'register_imgs' # 存放该人所有注册图 # 1. 读取现有表头，确定特征列数 with open(CSV_PATH, 'r', encoding='utf-8') as f: header = next(csv.reader(f)) feat_cols = len(header) - 1 # 假设第0列是姓名 # 2. 逐图提取特征（extract_feature 替换为你的实际函数） new_rows = [] for fname in os.listdir(IMG_DIR): if not fname.lower().endswith(('.jpg', '.png')): continue img_path = os.path.join(IMG_DIR, fname) # feat = extract_feature(cv2.imread(img_path)) # 这里用随机向量占位，实际请替换 feat = np.random.rand(feat_cols).astype(np.float32) row = [NEW_NAME] + [f'{v:.6f}' for v in feat] new_rows.append(row) # 3. 追加写入，注意用 a 模式而不是 w，避免覆盖旧数据 with open(CSV_PATH, 'a', newline='', encoding='utf-8') as f: writer = csv.writer(f) writer.writerows(new_rows) print(f'已为 {NEW_NAME} 写入 {len(new_rows)} 条特征')

逻辑说明：第一步先读表头，是为了让新写入的行和旧行列数一致，否则后续读取会错位。第二步用f'{v:.6f}'把浮点截断到 6 位小数，既保留足够精度又控制文件体积。第三步用'a'追加模式，这是最容易踩的坑——用'w'会把整个特征库清空重写，如果此时提取失败，旧数据就没了。参数上，newline=''在 Windows 上必须加，否则 CSV 会出现空行。

3.3 验证新样本是否真的生效

写完不要直接开Start.exe，先用第 2.4 节的离线比对脚本，拿一张没参与注册的该人照片去算距离。如果距离大于阈值，说明注册图质量不够或数量太少，需要补采。确认离线通过后，再启动Start.exe做实时验证。这一步能帮你把「注册问题」和「运行时问题」分开，不然一出错就不知道是 CSV 写坏了还是摄像头没开。

3.4 名单增删的边界处理

删除某人时，不能只删 CSV 里的一行，因为同一个人可能有多行特征。常见做法是按姓名过滤，重写整个 CSV：

import csv def remove_person(csv_path, name): with open(csv_path, 'r', encoding='utf-8') as f: rows = list(csv.reader(f)) header, data = rows[0], rows[1:] kept = [r for r in data if r[0] != name] with open(csv_path, 'w', newline='', encoding='utf-8') as f: writer = csv.writer(f) writer.writerow(header) writer.writerows(kept) print(f'删除 {name}，剩余 {len(kept)} 条')

逻辑说明：先读全部内容到内存，保留表头，过滤掉目标姓名的所有行，再整体写回。参数上要注意，如果 CSV 很大（几千条以上），这种全量重写会慢，但考勤场景名单通常几十到几百人，完全够用。删除后建议再跑一次离线验证，确认该人不再被识别出来。

4. 避坑与排查：识别不准、闪退、误识的常见原因

4.1 现象：同一个人站在摄像头前，有时识别成功有时失败

原因通常有三个：一是注册样本太少或角度单一，模型对该人的特征覆盖不足；二是现场光照和注册时光照差异大，导致特征分布偏移；三是摄像头自动曝光在逆光下把脸拍成剪影。解决方法是补采不同光照和角度的注册图，并在摄像头前加一个稳定的补光灯，避免背对窗户。如果条件允许，把识别阈值从 0.5 放宽到 0.55 试一次，但不要超过 0.6，否则误识率会明显上升。

4.2 现象：Start.exe 双击后窗口一闪而过

原因多半是缺少依赖或找不到features_all.csv。先确认 exe 和 CSV 在同一目录，再检查是否装了 Visual C++ 运行库。如果还是闪退，可以在命令行里运行Start.exe，这样错误信息会留在窗口里，能看到具体报错。常见报错包括FileNotFoundError: features_all.csv和cv2.error: can't open camera，前者是路径问题，后者是摄像头被占用或驱动异常。

4.3 现象：把照片举到摄像头前也能打卡

这是典型的「活体检测缺失」。Start.exe如果只做人脸检测和特征比对，不判断是真人还是照片，就会被打卡。解决方向有两个：一是加简单的活体检测，比如要求眨眼或转头；二是用双目摄像头或带深度信息的设备。如果课设不要求防作弊，至少要在报告里说明这个边界，别把它当成生产级系统。

4.4 现象：CSV 越写越大，识别越来越慢

原因通常是每次注册都追加，且特征精度保留过高（比如 15 位小数），或者同一个人被重复注册了多次。解决方法是定期去重：按姓名分组，每人只保留最近 N 条或质量最高的 N 条特征。另外把特征精度统一到 6 位小数，文件体积能明显下降。如果名单超过几百人，建议把 CSV 换成 SQLite，查询和去重都更方便。

4.5 现象：换一台电脑后识别率骤降

原因可能是摄像头型号不同，成像风格差异大，导致特征分布偏移。解决方法是换电脑后，用新摄像头重新采集一遍注册图，而不是直接沿用旧 CSV。如果必须沿用，至少要在新机器上做一次离线验证，确认距离阈值仍然适用。这一点在课设答辩换教室时特别容易翻车，提前准备一个 U 盘带着自己的注册图，现场重采几分钟就能救回来。

5. 进阶：把考勤记录落库并做简单统计

5.1 从「识别到人」到「记录一条考勤」

Start.exe默认可能只在界面上显示识别结果，不落库。如果你想让课设更完整，可以在识别成功后追加一条记录到 SQLite。下面是一个最小可用的写入函数：

import sqlite3 from datetime import datetime def init_db(db_path='attendance.db'): conn = sqlite3.connect(db_path) conn.execute('''CREATE TABLE IF NOT EXISTS records ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, check_time TEXT NOT NULL )''') conn.commit() return conn def add_record(conn, name): now = datetime.now().strftime('%Y-%m-%d %H:%M:%S') conn.execute('INSERT INTO records (name, check_time) VALUES (?, ?)', (name, now)) conn.commit() print(f'{name} 打卡成功: {now}')

逻辑说明：CREATE TABLE IF NOT EXISTS保证重复运行不会报错。?占位符是参数化查询，避免姓名里有特殊字符时 SQL 出错。check_time用字符串存，格式统一，方便后面按天统计。参数上，如果要做「一天只记一次」，可以在插入前先查当天是否已有该人记录，有就跳过。

5.2 按天统计出勤的查询

有了记录表，统计就简单了。下面这条 SQL 按人按天汇总，能直接导出成报表：

SELECT name, substr(check_time, 1, 10) AS day, MIN(check_time) AS first_check, COUNT(*) AS times FROM records GROUP BY name, day ORDER BY day DESC, name;

逻辑说明：substr(check_time, 1, 10)截取日期部分，MIN(check_time)取当天最早一次作为签到时间，COUNT(*)是当天打卡次数。参数上，如果只要「迟到名单」，可以加HAVING first_check > '2025-01-01 09:00:00'这样的条件。这条查询在答辩演示时很实用，能直接说明系统不只是「认脸」，还有数据管理。