简介：本资源为基于人脸识别的学生考勤签到管理系统完整课程设计包，面向计算机、人工智能、通信、物联网等专业在校学生与教师，可用于课程设计、毕业设计、大作业或项目立项演示。包内共160个文件，以52个py源码与78个pyc编译文件为核心，辅以mp4运行演示视频、docx课设报告、pkl模型文件、xlsx数据表、db数据库及xml人脸定位文件等，压缩包约10.16MB。系统涵盖人脸录入、训练与识别签到、签到签退、哈希加密等模块，服务端与客户端分离，并附有LSTM用户画像与考勤数据分析的完整研究方案。已有270人学习下载。读者可获得可稳定运行的源码、实操录屏、结构清晰的课设报告与排错说明，便于快速理解人脸识别考勤的工程实现，并在此基础上进行二次开发与功能扩展。
1. 从一份课设压缩包说起：人脸识别考勤系统能跑成什么样
课程设计季一到，计算机相关专业的同学最头疼的往往不是写报告，而是找一个「代码完整、功能验证过、还能讲清楚原理」的项目。这份基于人脸识别的学生考勤签到管理系统，就是冲着这个场景来的：Python 源码、运行视频、课设报告三件套打包在一起，客户端负责摄像头采集与人脸识别签到，服务端负责接收数据、落库和统计展示。它适合计科、人工智能、物联网等方向的学生做课设、毕设或大作业，也适合刚入门想拿一个完整 C/S 架构项目练手的开发者。需要先说明的是，项目里人脸识别用的是轻量预训练模型，定位人脸的能力比重量级方案弱一些，但换来的是在普通笔记本上也能跑起来的运行速度，这个取舍后面会细讲。
2. 拆开压缩包：目录结构、技术栈与运行前置条件
2.1 文件清单与各文件职责
解压之后先别急着双击运行，花两分钟把目录看一遍，能省掉后面一半的报错排查时间。从项目正文给出的打包情况看，核心文件分布大致如下：
| 文件/目录 | 作用 | 备注 |
|---|---|---|
client.py | 客户端主程序 | 摄像头采集、人脸识别、签到签退入口 |
main.py | 服务端主程序 | 监听端口、接收数据、写库 |
testDB.db | SQLite 数据库文件 | 存储学生信息与考勤记录 |
haarcascade_frontalface_default.xml | 人脸定位级联分类器 | 必须放到 client 端根目录 |
pip.ini | pip 镜像配置 | 加速依赖安装 |
课程设计报告.docx | 课设报告 | 含目录、实验分析、结论 |
项目说明.md | 运行说明 | 端口、路径等关键提示 |
这里有个血泪经验：haarcascade_frontalface_default.xml放在DATASource目录里，但程序运行时是从 client 端根目录找它的。很多人第一次跑报「无法定位人脸」，不是摄像头坏了，是这个 xml 没挪位置。
2.2 技术栈与依赖环境
项目是典型的 Python C/S 架构，客户端和服务端通过本机地址127.0.0.1、端口12345通信。人脸识别部分走的是 OpenCV 的传统路线：Haar 级联做人脸定位，再提取特征生成 yml 模型文件，识别时调用 yml 特征库做快速比对。数据库用 SQLite，单文件testDB.db，不需要额外装数据库服务，这对课设环境很友好。
依赖安装建议先看pip.ini，里面通常配好了国内镜像源。如果没配，手动指定一下：
pip install opencv-python opencv-contrib-python numpy pillow -i https://pypi.tuna.tsinghua.edu.cn/simpleopencv-contrib-python不能省，人脸识别相关的face模块在 contrib 包里，只装opencv-python会在cv2.face处报AttributeError。参数上，-i后面跟镜像地址，网络正常的话几十秒就能装完。
提示：项目路径和项目名不要用中文，解压后重命名为英文再运行，否则 OpenCV 读文件时可能出现解析不了的错误。
2.3 启动顺序与端口检查
启动顺序不能反：先起服务端，再起客户端。服务端main.py会绑定12345端口，如果这个端口被占用，客户端连不上会直接报连接错误。常见占用源是某些网盘客户端，项目说明里专门提到「如果出现报错请关闭阿里云盘」，就是这个原因。
# 先启动服务端 python main.py # 另开一个终端启动客户端 python client.py服务端启动后不要关那个终端窗口，它需要一直监听。客户端启动后会调摄像头，第一次运行系统会弹权限申请，允许即可。如果摄像头被其他程序占用（比如视频会议软件），客户端会黑屏或报can't open camera，关掉占用程序再试。
3. 人脸录入、训练与签到：三个核心功能的实现链路
3.1 人脸录入：采集多少张、怎么采才有效
人脸录入是整个系统的数据源头，采得好不好直接决定后面识别的准确率。项目里录入功能会调用摄像头，对同一个人采集多张人脸图像，存到指定目录并绑定学号或姓名。常见做法是采集 20 到 30 张，覆盖正脸、轻微左右偏转、戴眼镜和不戴眼镜的情况。
采集时有两个参数值得注意：一是采集间隔，不要连续狂拍，每张之间隔个零点几秒，让脸有轻微移动，增加样本多样性；二是光照，尽量在均匀光线下采，背光或侧光太强会让 Haar 定位失败，采到的图里根本没有脸，训练出来就是废模型。
import cv2 # 加载人脸定位分类器，路径按实际放置位置调整 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') cam = cv2.VideoCapture(0) # 0 表示默认摄像头 count = 0 while count < 30: ret, frame = cam.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 转灰度，Haar 只吃灰度图 faces = face_cascade.detectMultiScale(gray, 1.3, 5) # 缩放系数1.3，最小邻居数5 for (x, y, w, h) in faces: count += 1 cv2.imwrite(f'data/User.{count}.jpg', gray[y:y+h, x:x+w]) # 只存人脸区域 cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow('capture', frame) if cv2.waitKey(100) & 0xFF == 27: # 按 ESC 提前退出 break cam.release() cv2.destroyAllWindows()detectMultiScale的两个关键参数：scaleFactor=1.3表示每次图像尺寸缩小 1.3 倍来搜索人脸，值越小搜得越细但越慢；minNeighbors=5表示一个候选框周围要有 5 个邻居才确认是人脸，调高能减少误检，调低能减少漏检。采完图后建议人工翻一遍，把明显不是脸的图删掉，这一步偷懒后面识别就会翻车。
3.2 人脸训练：yml 模型是怎么生成的
录入的是一张张 jpg，训练要做的是把这些图喂给识别器，生成一个 yml 特征库文件。项目用的是特征提取方法，常见实现是 LBPH（局部二值模式直方图）识别器，它对光照变化有一定鲁棒性，适合课设这种小样本场景。
import cv2 import numpy as np import os recognizer = cv2.face.LBPHFaceRecognizer_create() detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') def get_images_and_labels(path): image_paths = [os.path.join(path, f) for f in os.listdir(path)] faces = [] ids = [] for image_path in image_paths: gray = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 文件名格式 User.1.1.jpg，取第二段作为标签 ID id = int(os.path.split(image_path)[-1].split('.')[1]) faces.append(gray) ids.append(id) return faces, np.array(ids) faces, ids = get_images_and_labels('data') recognizer.train(faces, ids) # 训练 recognizer.write('trainer/trainer.yml') # 生成 yml 模型 print(f'训练完成，共 {len(faces)} 张样本')LBPHFaceRecognizer_create()创建识别器，train()接收人脸数组和对应标签数组，write()把模型落盘成 yml。标签 ID 从文件名里解析，所以录入时文件名格式必须统一，否则训练出来的标签是乱的，识别时全对不上号。训练完成后，识别阶段用recognizer.predict()返回标签和置信度，置信度越低表示越像，一般低于 50 可以认为是同一个人，具体阈值要按自己采集的样本调。
3.3 签到与签退：数据怎么从客户端流到数据库
签到签退是业务层逻辑。客户端识别出人脸后，拿到对应的学生 ID，把签到时间、状态打包，通过 socket 发给服务端，服务端写进testDB.db。项目里签到和签退是两个独立功能，通常按时间段区分：上午到课算签到，下课离开算签退。
import socket import json import datetime def send_checkin(student_id, action): payload = { 'student_id': student_id, 'action': action, # 'checkin' 或 'checkout' 'time': datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') } s = socket.socket(socket.AF_INET, socket.SOCK_STREAM) s.connect(('127.0.0.1', 12345)) # 地址和端口与服务端一致 s.send(json.dumps(payload).encode('utf-8')) resp = s.recv(1024).decode('utf-8') s.close() return resp这里用 JSON 做序列化，比直接拼字符串稳，字段清晰也好扩展。action字段区分签到签退，服务端按这个字段决定写哪张表或哪个状态位。哈希加密功能用在学生密码或敏感字段上，常见做法是hashlib.sha256加盐，避免明文存库。socket 通信要注意粘包问题，课设规模下数据量小，一般不会触发，但如果后面扩展成多用户并发，就得加长度头或分隔符来切分消息边界。
4. 避坑与排查：打包失败功能与运行报错怎么处理
4.1 教师端刷新查看功能失效
现象：教师端点刷新没反应，或者直接抛异常退出。原因是这个功能用了并行库，打包成 exe 后并行库的进程创建机制和打包环境冲突，子进程起不来。解决方式是别用打包好的 exe，直接跑源码python main.py，源码环境下并行库正常。如果必须打包，把并行部分改成串行或线程池，牺牲一点速度换稳定。
4.2 多用户签到在部分电脑上跑不起来
现象：同一份代码，有的电脑能多用户同时签到，有的直接卡死或丢消息。原因是消息队列在不同系统上的实现依赖有差异，项目说明里也写了「原因尚未明确」。解决方式是课设演示时用单用户串行签到，或者把消息队列换成基于 socket 的简单请求-响应模式，一个请求处理完再处理下一个，虽然并发能力弱，但至少不会玄学崩溃。
4.3 用户画像功能显示违规字符
现象：历次签到时间通过 socket 传输后，界面上出现乱码或违规字符。原因是编码不一致，发送端和接收端的解码方式没对齐，或者时间字符串里混入了不可见字符。解决方式是在发送前统一encode('utf-8')，接收后统一decode('utf-8')，并在写库前对字符串做一次清洗，过滤掉非打印字符。
4.4 打包后启动和运行明显变慢
现象：源码跑得好好的，打包成 exe 后启动要等十几秒，识别也变卡。原因是打包工具把整个 Python 解释器和依赖都塞进 exe，启动时要解压到临时目录，加上项目本身多用户连接的实验数据是在源码环境测的，打包后环境变了，数据自然对不上。解决方式是演示和实验数据采集都用源码环境，exe 只作为分发备份，不作为性能参考。
4.5 端口被占用导致连接失败
现象：客户端报连接拒绝或超时。原因是12345端口被其他程序占了，网盘客户端是常见嫌疑。解决方式是先查端口占用，Windows 下用netstat -ano | findstr 12345找到 PID，再决定是关程序还是改端口。改端口的话，客户端和服务端两边的端口号要同步改，只改一边照样连不上。
5. 从能跑到好用：阈值调优与二次开发的一点技巧
把系统跑起来只是第一步，真正让它在答辩或演示时不出丑，靠的是几个细节调优。先说识别阈值，LBPH 的predict()返回的置信度不是概率，是距离，值越小越像。默认没有固定阈值，你得自己试：拿同一个人不同角度的图测，记录置信度分布，再拿不同人的图测，找一个能把两者分开的临界值。我一般会写个小脚本批量跑一遍，把置信度打出来看分布，而不是凭感觉设一个 50 就完事。
# 批量测试置信度分布，帮助确定阈值 import cv2 recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read('trainer/trainer.yml') test_img = cv2.imread('test/someone.jpg', cv2.IMREAD_GRAYSCALE) label, confidence = recognizer.predict(test_img) print(f'预测标签: {label}, 置信度: {confidence:.2f}') # 置信度低于阈值判为同一人，高于阈值判为陌生人再说二次开发。项目本身留了不少扩展口子：签到数据已经在testDB.db里，想加考勤率统计，直接写 SQL 查就行；想加人脸识别门禁联动，把签到成功后的 socket 消息再转发一路给门禁控制端即可。用户画像那块用了 LSTM 做签到预测，如果你不想碰深度学习，换成简单的统计方法——比如按学生历史签到时间算个均值方差，超过阈值就标异常——效果未必差，还省了训练时间。
最后说一个我自己的习惯：每次改完代码，先不急着接摄像头，用几张本地图片跑一遍识别流程，确认模型加载、标签解析、数据库写入这三步都通，再接硬件。这样出问题时能快速定位是算法层还是硬件层。从那以后我每次交付这类课设项目，都强制走一遍「本地图测试 → 摄像头测试 → 多用户测试」的流程，省得在演示现场手忙脚乱。希望帮到你。
本文还有配套的精品资源，点击获取
