简介本资源是一套基于CNN神经网络的人脸识别考勤系统完整项目采用PyQt5构建图形界面面向计算机相关专业的毕业设计、期末大作业与课程设计需求者也适合希望入门深度学习与桌面应用开发的初学者。项目包含可运行源码与配套文档代码注释详尽部署后即可使用能有效解决人脸采集、识别与考勤记录管理等实际问题。压缩包共30个文件约32.54MB涵盖11个Python源码文件、6个编译文件、3个界面UI文件、3张示例图片以及人脸检测所需的XML分类器、CNN模型文件caffemodel与prototxt、字体与说明文档等结构清晰、模块分明。目前已有142人学习下载。项目功能完善、界面美观、操作简单涵盖摄像头调用、人脸搜索、签到与注册等模块并附有README说明便于快速理解整体架构与二次开发具有较高的参考与实用价值。1. 从一份能跑通的毕设源码说起CNN 人脸考勤到底怎么落地很多同学做毕业设计时卡在的不是算法本身而是「模型有了、界面有了、摄像头一开就崩」这种工程缝合问题。这份基于 CNN 神经网络的人脸识别考勤系统 PyQt5 源码恰好把这条链路完整串了起来Caffe 训练好的 CNN 模型负责特征提取OpenCV 负责摄像头采集与人脸检测PyQt5 负责桌面端交互最终输出考勤记录。它解决的是「从零散代码到可演示系统」的最后一公里适合正在做 Python 毕业设计、期末大作业或者想快速搭一个人脸考勤原型的同学。源码里带了注释和文档部署门槛不高但前提是你得先搞清楚它内部各模块怎么咬合否则改一个参数就可能全盘报错。2. 拆开压缩包CNN 模型、OpenCV 检测与 PyQt5 界面如何咬合2.1 模型层Caffe 格式的 CNN 部署文件在做什么这份源码没有让你从头训练 CNN而是直接提供了两个关键文件cnn_deploy.prototxt和cnn_iter_3560000.caffemodel。前者是网络结构定义后者是训练了 356 万次迭代后的权重。常见做法是用 OpenCV 的dnn模块加载这两个文件把输入人脸图像转成 blob前向传播后拿到特征向量再和已注册人脸的特征做比对。为什么选 Caffe 而不是 PyTorch 或 TensorFlow因为 OpenCV 的readNetFromCaffe接口非常稳定不需要额外装深度学习框架对毕业设计环境来说依赖最少。你只需要确保opencv-contrib-python版本不要太新否则dnn模块的某些旧接口可能被移除。import cv2 import numpy as np # 加载 Caffe 模型prototxt 定义结构caffemodel 提供权重 net cv2.dnn.readNetFromCaffe(models/cnn_deploy.prototxt, models/cnn_iter_3560000.caffemodel) def extract_feature(face_img): # 输入人脸图缩放到模型要求的尺寸常见是 224x224 blob cv2.dnn.blobFromImage(face_img, 1.0, (224, 224), (104.0, 177.0, 123.0), swapRBFalse) net.setInput(blob) # forward 后得到特征向量用于后续余弦相似度比对 feat net.forward() return feat.flatten()逻辑说明blobFromImage里的均值参数(104.0, 177.0, 123.0)是 Caffe 常用的人脸均值不要随意改成 0否则特征分布会偏移。swapRBFalse是因为 OpenCV 读进来就是 BGR而 Caffe 模型训练时用的也是 BGR。参数(224, 224)必须和cnn_deploy.prototxt里input_dim一致改错会直接报维度不匹配。2.2 检测层haarcascade 与 cam.py 的采集循环haarcascade_frontalface_alt.xml是 OpenCV 自带的人脸检测器虽然精度不如 MTCNN 或 RetinaFace但胜在轻量、无需 GPU。cam.py里的逻辑通常是打开摄像头 → 逐帧灰度化 → 用detectMultiScale找人脸框 → 裁剪出人脸区域 → 送入 CNN 提取特征。import cv2 # 加载 Haar 级联检测器文件就在 driver 目录下 face_cascade cv2.CascadeClassifier(driver/haarcascade_frontalface_alt.xml) cap cv2.VideoCapture(0) # 0 表示默认摄像头 while True: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # scaleFactor 控制金字塔缩放步长minNeighbors 控制误检 faces face_cascade.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(80, 80)) for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) face_roi frame[y:yh, x:xw] # 这里可以调用 extract_feature 做识别 cv2.imshow(Face Attendance, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()参数说明scaleFactor1.1表示每次缩放 10%值越小检测越慢但越细minNeighbors5是过滤误检的关键调低会框出很多假脸调高会漏掉侧脸。minSize(80, 80)根据你摄像头分辨率调整太小会引入噪声太大则远处的人脸检测不到。2.3 界面层PyQt5 的 .ui 文件与 .py 转换关系源码里ui目录下有frame.ui、save_face.ui、sign_face.ui同时又有对应的.py文件。这是 PyQt5 的标准工作流用 Qt Designer 拖拽出界面保存为.ui再用pyuic5转成.py。launcher.py和launcher_sing_face.py是入口负责启动主窗口和签到窗口。# 把 .ui 文件转成 Python 代码注意 -o 指定输出文件 pyuic5 ui/frame.ui -o ui/frame.py pyuic5 ui/save_face.ui -o ui/save_face.py pyuic5 ui/sign_face.ui -o ui/sign_face.py如果你改了.ui但没重新生成.py界面不会变。常见坑是pyuic5命令找不到那是因为 PyQt5 安装后没有把Scripts目录加入 PATH用python -m PyQt5.uic.pyuic代替即可。2.4 数据流从摄像头到考勤记录的完整链路整个系统的数据流是cam.py采集帧 → Haar 检测人脸 → CNN 提取特征 → 与face_search.py中已注册特征比对 → 若相似度超过阈值则调用sign_face.py写入考勤记录。config.py里通常放着阈值、路径、摄像头编号等可调参数。images目录下的yellow.png、mark.jpg等是界面素材font/fzyy.TTF是字体文件缺了会导致中文显示成方块。3. 环境部署与首次运行Python 版本、依赖与摄像头权限3.1 Python 与 OpenCV 版本选择这份源码基于 Python 3.x但 OpenCV 版本不能太新。cv2.dnn.readNetFromCaffe在 OpenCV 4.5.x 上稳定4.7 以后部分旧接口有变动。常见做法是锁定opencv-python4.5.5.64和opencv-contrib-python4.5.5.64两个包版本必须一致否则dnn模块可能加载失败。# 创建虚拟环境避免污染全局包 python -m venv venv # Windows 激活 venv\Scripts\activate # Linux/macOS 激活 source venv/bin/activate # 安装依赖版本锁定 pip install opencv-python4.5.5.64 opencv-contrib-python4.5.5.64 pip install PyQt55.15.4 numpy1.21.6参数说明numpy不要装 2.x因为 OpenCV 4.5.x 编译时依赖 numpy 1.x 的 ABI装 2.x 会报numpy.core.multiarray failed to import。PyQt5 5.15.4 是最后一个支持pyuic5独立命令的稳定版。3.2 目录结构与路径配置解压后你会看到driver、models、ui、images、font等目录。config.py里一般有MODEL_PATH、CASCADE_PATH、FONT_PATH等变量。如果你把项目挪到别的盘这些相对路径可能失效。我一般会改成基于os.path.dirname(__file__)的绝对路径。import os BASE_DIR os.path.dirname(os.path.abspath(__file__)) MODEL_PROTOTXT os.path.join(BASE_DIR, models, cnn_deploy.prototxt) MODEL_WEIGHTS os.path.join(BASE_DIR, models, cnn_iter_3560000.caffemodel) CASCADE_PATH os.path.join(BASE_DIR, driver, haarcascade_frontalface_alt.xml) FONT_PATH os.path.join(BASE_DIR, font, fzyy.TTF)这样无论从哪个目录启动launcher.py路径都不会错。注意cam.pyc、face_search.pyc这些是编译过的字节码如果你改了对应的.py要删掉.pyc让它重新生成否则跑的还是旧逻辑。3.3 首次运行与摄像头权限Windows 上首次运行launcher.py时如果摄像头被其他程序占用比如微信、钉钉cv2.VideoCapture(0)会返回False界面卡死。解决方法是关掉所有可能占用摄像头的软件或者在config.py里把摄像头编号改成1试试。Linux 下需要确保当前用户在video组里否则没有权限打开/dev/video0。# Linux 检查摄像头设备 ls /dev/video* # 把当前用户加入 video 组 sudo usermod -aG video $USER # 重新登录后生效macOS 上首次运行会弹权限申请必须允许终端或 IDE 访问摄像头否则cap.read()一直返回空帧。4. 避坑排查人脸检测不到、模型加载失败与界面卡死4.1 现象摄像头画面全黑或报cap.read()返回 False原因摄像头被占用、编号不对、或者驱动没装好。Windows 上还可能是隐私设置里禁用了摄像头访问。解决先关掉其他占用程序把cv2.VideoCapture(0)改成1或-1试Windows 设置 → 隐私 → 摄像头 → 允许桌面应用访问。Linux 下用v4l2-ctl --list-devices确认设备节点。4.2 现象readNetFromCaffe报错Cant load layer或维度不匹配原因cnn_deploy.prototxt里的输入尺寸和代码里blobFromImage的尺寸不一致或者caffemodel文件下载不完整。解决打开prototxt搜input_dim把代码里的(224, 224)改成一致的值检查caffemodel文件大小正常应该是几十 MB如果只有几 KB 说明没下完。4.3 现象PyQt5 界面中文显示成方块原因font/fzyy.TTF没有正确加载或者系统缺少中文字体。解决在launcher.py里用QFontDatabase.addApplicationFont加载字体文件并设置全局字体。from PyQt5.QtGui import QFontDatabase, QFont from PyQt5.QtWidgets import QApplication import sys app QApplication(sys.argv) font_id QFontDatabase.addApplicationFont(font/fzyy.TTF) if font_id ! -1: font_family QFontDatabase.applicationFontFamilies(font_id)[0] app.setFont(QFont(font_family, 10))如果addApplicationFont返回 -1说明字体文件损坏或路径不对换一个.ttf文件即可。4.4 现象点击签到按钮后界面卡死原因人脸比对是计算密集型操作如果直接在主线程里跑会阻塞 Qt 的事件循环。解决把识别逻辑放到QThread里通过信号槽更新界面。常见做法是继承QThread在run方法里做net.forward()完成后发pyqtSignal通知主线程刷新。4.5 现象考勤记录重复写入或时间不对原因sign_face.py里没有做去重判断或者datetime取的是 UTC 时间。解决在写入前检查当天是否已有该人记录用datetime.now()而不是utcnow()。如果用的是 SQLite加一个UNIQUE约束在(name, date)上。5. 进阶技巧用余弦相似度替代欧氏距离做特征比对5.1 为什么欧氏距离在人脸特征上容易翻车原始代码里face_search.py可能用的是欧氏距离但 CNN 输出的特征向量通常做了 L2 归一化此时欧氏距离和余弦相似度是等价的。如果没有归一化欧氏距离会受向量模长影响同一个人不同光照下模长差异很大导致误判。我一般会先做 L2 归一化再用余弦相似度阈值设在 0.6 到 0.7 之间。import numpy as np def cosine_similarity(feat1, feat2): # 先做 L2 归一化消除模长影响 feat1 feat1 / np.linalg.norm(feat1) feat2 feat2 / np.linalg.norm(feat2) return np.dot(feat1, feat2) # 假设已注册特征库是 dict: {name: feature_vector} def search_face(query_feat, face_db, threshold0.65): best_name Unknown best_score -1 for name, feat in face_db.items(): score cosine_similarity(query_feat, feat) if score best_score: best_score score best_name name if best_score threshold: return Unknown, best_score return best_name, best_score参数说明threshold需要根据你的模型和数据集微调。太高会拒真太低会认错。建议先用几张同人不同角度的图跑一遍看相似度分布再定阈值。5.2 多帧投票降低单帧误判的实用技巧单帧识别容易受表情、遮挡影响。我习惯在cam.py里维护一个长度为 5 的队列连续 5 帧识别到同一个人且平均相似度超过阈值才触发签到。这样能过滤掉偶发误检代价是签到延迟增加约 0.2 秒考勤场景完全可接受。from collections import deque vote_queue deque(maxlen5) def vote_and_sign(name, score): vote_queue.append((name, score)) if len(vote_queue) 5: return False names [n for n, s in vote_queue] if names.count(name) 4 and np.mean([s for n, s in vote_queue if n name]) 0.7: return True return False逻辑说明maxlen5让队列自动丢弃旧帧names.count(name) 4要求 5 帧里至少 4 帧一致np.mean再卡一道平均分。这套组合拳下来基本不会出现「路过被认成员工」的尴尬。5.3 模型热替换不改代码换 caffemodel如果你想用自己的数据重新训练 CNN只要保证cnn_deploy.prototxt的输入输出层名字不变直接替换cnn_iter_3560000.caffemodel即可。config.py里把MODEL_WEIGHTS指向新文件重启程序就生效。注意新模型的输入尺寸如果变了blobFromImage的尺寸也要同步改否则前向传播会报维度错误。从那以后我每次拿到这类源码包都强制先跑一遍pip freeze把依赖版本记下来再改任何路径和参数前先备份config.py。希望帮到你。本文还有配套的精品资源点击获取