B站：馬上就更?。。bilibili
CSDN：使用python和pyqt5輕松上手人臉識別系統(tǒng)（含代碼）_百年后封筆-CSDN博客
公眾號：百年后封筆

一、 環(huán)境配置

這里我們使用的環(huán)境主要包括一下三個方面：

• 首先是開發(fā)所需要的python環(huán)境、包管理工具和IDE等。這里我們主要需要安裝的就是anaconda和pycharm專業(yè)版，以及pip鏡像源。需要注意的是，pycharm專業(yè)版是付費(fèi)軟件，如果你不想后續(xù)查看數(shù)據(jù)庫的詳細(xì)信息等，那么社區(qū)版也足夠了，但專業(yè)版是可以通過學(xué)生作科研用途申請的。
• 本項目使用到了sqlite3數(shù)據(jù)庫，但我們最好也配置mysql數(shù)據(jù)庫，然后方便在pycharm專業(yè)版中查看數(shù)據(jù)庫的表和信息。
• 最后是人臉識別和開發(fā)過程中依賴的python包，后面我們展示了幾種使用python進(jìn)行人臉識別的方法，除了opencv-python，其他的基本都需要dlib這個庫，后面我會說具體所依賴的庫，不過對于No Module Error的情況，直接pip install xxx就也可以輕松解決。

1.1 python環(huán)境配置

這里我們只提供windows下python環(huán)境的配置方法，其實(shí)都大同小異。

1.1.1 安裝 anaconda

anaconda是一個python的包管理軟件，可以方便的管理你的虛擬環(huán)境和依賴的包

1. 首先去官網(wǎng)下載安裝包
   

2. 按照要求一步步進(jìn)行安裝即可，一直next就行。如果不清楚怎么安裝的話，可以直接搜一下anaconda的安裝方法，參考其他博主的詳細(xì)安裝指導(dǎo)，這里我們不再贅述。
   

3. 檢查anaconda是否安裝成功

打開cmd，輸入conda -V,一般會有兩種情況，下面這種就是安裝好了的。

如果報錯了，那么需要你將anaconda的安裝路徑先找到，比如，是在C:\Users\xxx\anaconda3，那么接著你就需要在你的系統(tǒng)環(huán)境變量里面，把下面幾個路徑加入到path里面，也就是把a(bǔ)naconda的bin和Scripts路徑加入到環(huán)境變量里面去，如下：

C:\Users\xxx\anaconda3\bin
C:\Users\xmhh\anaconda3\Scripts
C:\Users\xmhh\anaconda3

操作完之后，再檢驗(yàn)一下conda有沒有安裝好就行了，一般出問題就是環(huán)境變量沒加入進(jìn)去，其他沒啥問題。

4. 下面羅列一些常用的conda命令

# 建立新環(huán)境
conda create -n new env_name  python=3.8
# conda初始化
conda init
# 激活虛擬環(huán)境
conda activate env_name 或者  activate env_name
# 查看虛擬環(huán)境
conda env list
# 刪除虛擬環(huán)境
conda remove -n env_name --all

1.1.2 安裝pycharm

1. 去官網(wǎng)下載安裝包
   

• 需要注意的是，左邊專業(yè)版安裝包可以免費(fèi)用30天，或者可以認(rèn)證一下教育優(yōu)惠延期用，右邊社區(qū)版是免費(fèi)的。專業(yè)版可以查看數(shù)據(jù)庫，遠(yuǎn)程連接等，功能更加全面，社區(qū)版也勉強(qiáng)夠用吧。
• 安裝的話，就也是一直next就行了，沒什么好說的。好了并打開項目后的效果如下：
  

1.1.3 配置pip源

由于我們后續(xù)需要配置虛擬環(huán)境，安裝相關(guān)依賴包，國內(nèi)下載python非常慢，因此我們需要先配置一下pip鏡像源，具體做法如下：

1. 在C:\Users\xxx中創(chuàng)建一個名為pip的文件夾，然后在里面創(chuàng)建一個pip.ini文件，注意后續(xù)需要修改這個文件內(nèi)容，因此可以先把名字改成pip.txt，后續(xù)再改成pip.ini
   
2. 修改pip.ini文件內(nèi)容，然后保存就可以了，如下：如果還不是很明白的，可以參考一下其他博主的，例如這個教程

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

3. 后面pip install

1.2 mysql數(shù)據(jù)庫安裝

mysql數(shù)據(jù)庫很多時候會用到，所以最好是安裝配置一下，下面給一個大致的安裝教程

1. 下載mysql數(shù)據(jù)庫的安裝包
   
   如上圖，選第一個就行啦，解壓之后，就ok，如下圖，最開始是沒有這個my.ini和data的好像，不過不重要，官網(wǎng)下下來解壓就完事了，后面再配。
   

2. 配置環(huán)境變量，也就是mysql文件夾下的bin文件夾
   

3. 在mysqll文件根目錄下創(chuàng)建并配置my.ini

my.ini的配置信息如下，注意把里面的路徑設(shè)置成你自己的就可以了，其他不用改。

[mysqld]
explicit_defaults_for_timestamp=true
character-set-server=utf8mb4
#綁定IPv4和3306端口
bind-address = 0.0.0.0
port = 3306
sql_mode="STRICT_TRANS_TABLES,NO_ENGINE_SUBSTITUTION"
default_storage_engine=innodb
innodb_buffer_pool_size=1000M
innodb_log_file_size=50M
# 設(shè)置mysql的安裝目錄
basedir=G:\Program Files\mysql
# 設(shè)置mysql數(shù)據(jù)庫的數(shù)據(jù)的存放目錄
datadir=G:\Program Files\mysql\data
# 允許最大連接數(shù)
max_connections=200
# skip_grant_tables
[mysql]
default-character-set=utf8mb4
[mysql.server]
default-character-set=utf8mb4
[mysql_safe]
default-character-set=utf8mb4
[client]
port = 3306
default-character-set=utf8mb4
plugin-dir=G:\Program Files\mysql\lib\plugin

4. 打開cmd，輸入mysqld --initialize完成初始化。在根目錄就出現(xiàn)了data文件夾，這下就齊活了。注意初始化的時候，會有一個初始密碼，記得記一下，后面登錄和修改密碼需要用到。
   
   
5. 相關(guān)使用

# 安裝mysql服務(wù)
mysqld -install
# 啟動mysql服務(wù)
net start mysql
# 登錄數(shù)據(jù)庫 
mysql -u root -p
# 修改 root 密碼為 root123
ALTER USER 'root'@'localhost' IDENTIFIED WITH mysql_native_password BY 'root123';

1.3 相關(guān)依賴安裝

這里我們介紹一下本次項目所需要的依賴和環(huán)境吧。這里我們主要需要用到：首先，numpy和pandas是數(shù)據(jù)處理的基本庫；其次，一些圖像處理的python庫，cv2和Pillow；接著，gui的庫，pyqt5；最后人臉識別的庫，cmake， dlib和face_recognition?；旧暇褪沁@些吧，如果有問題的話，大家根據(jù)報錯再安裝吧。下面給出一般配置步驟：

1. 首先在你的項目路徑下cmd中使用conda命令創(chuàng)建虛擬環(huán)境，然后激活一下

# 創(chuàng)建虛擬環(huán)境 名字是face_login python版本是3.8
conda create -n new face_login python=3.8

# 激活虛擬環(huán)境
activate face_login  或者  conda activate face_login

2. 在你的項目路徑下創(chuàng)建一個文件名叫做requirements.txt，在里面填寫如下信息，版本上似乎是沒有什么大的問題的，按順序裝就可以了，dlib裝起來可能會有些慢如果嫌太慢的話，也可以最后單獨(dú)使用pip install dlib去安裝，但是需要先pip安裝cmake包，不然會出錯的。

numpy
pandas
pyqt5
cmake
opencv-python
Pillow
dlib
face_recognition

3. 運(yùn)行pip install -r requirements.txt安裝依賴

二、 人臉識別模塊測試

作為人臉識別系統(tǒng)中最重要的模塊，我們需要首先對人臉識別的功能進(jìn)行測試，然后將其作為一個模塊嵌入到我們的系統(tǒng)中即可。人臉識別功能按照流程主要分為兩步，首先是讀取圖片（本地文件夾或者攝像頭）；其次是使用人臉識別算法（基于opencv的dnn或者其他深度學(xué)習(xí)框架的人臉識別模型）進(jìn)行人臉檢測和識別。下面分別就上述的兩部分來分別說明。

2.1 使用opencv從攝像頭中讀取圖片

從opencv中讀取圖片主要分為三種，下面分別給出三種方式的代碼：

2.1.1 opencv讀取圖片/攝像頭的視頻幀

• 讀取單張圖片

# 單張圖片讀取
import cv2
img_filename = 'demo.png'
img = cv2.imread(img_filename, cv2.IMREAD_COLOR) # 彩色圖像
# img = cv2.imread(img_filename, cv2.IMREAD_GRAYSCALE) # 灰度圖像

• 讀取文件夾中的圖片

# 從文件夾讀取
import glob
import cv2
img_dir = r'path/to/your/database'
for img_filename in glob.glob(img_dir + '/*.jpg' ) # 針對jpg圖片
	img = cv2.imread(img_filename, cv2.IMREAD_COLOR)

• 讀取攝像頭中的視頻幀

import cv2

def get_cap():
    cap = cv2.VideoCapture(0)
    return cap
    
cap = get_cap() # 獲取攝像頭視頻流
id = 1
while True:
    ret, frame = cap.read()
    if cv2.waitKey(1) == ord('q'):#按Q退出
        img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        img = cv2.resize(img, (480, 480))
        # img = np.array(img)
        break
    else:
        cv2.imshow('win', frame)
cv2.waitKey(10) # 可以理解為控制幀率

2.1.2 opencv將圖像保存為gif和視頻

有的時候，我們甚至還需要展示，那么就需要一個視頻流保存為視頻文件、圖片轉(zhuǎn)gif或者圖像轉(zhuǎn)視頻的需求，下面同樣給出這幾種操作的示例代碼：

• 視頻流保存視頻文件參考
  需要注意的是，盡量按照攝像頭的編碼來保存視頻，否則可能會出問題。

    cv2.VideoWriter_fourcc('I','4','2','0'):YUV編碼，4:2:0色度子采樣。這種編碼廣泛兼容，但會產(chǎn)生大文件。文件擴(kuò)展名應(yīng)為.avi。
    cv2.VideoWriter_fourcc('P','I','M','1'):MPEG-1編碼。文件擴(kuò)展名應(yīng)為.avi。
    cv2.VideoWriter_fourcc('X','V','I','D'):MPEG-4編碼。如果要限制結(jié)果視頻的大小，這是一個很好的選擇。文件擴(kuò)展名應(yīng)為.avi。
    cv2.VideoWriter_fourcc('m', 'p', '4', 'v'):較舊的MPEG-4編碼。如果要限制結(jié)果視頻的大小，這是一個很好的選擇。文件擴(kuò)展名應(yīng)為.m4v。
    cv2.VideoWriter_fourcc('X','2','6','4'):較新的MPEG-4編碼。如果你想限制結(jié)果視頻的大小，這可能是最好的選擇。文件擴(kuò)展名應(yīng)為.mp4。
    cv2.VideoWriter_fourcc('T','H','E','O'):這個選項是Ogg Vorbis。文件擴(kuò)展名應(yīng)為.ogv。
    cv2.VideoWriter_fourcc('F','L','V','1'):此選項為Flash視頻。文件擴(kuò)展名應(yīng)為.flv。

def save_video(video_name):
    cap = cv2.VideoCapture(video_name)
    # setting
    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))  # 獲取原視頻的寬
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))  # 獲取原視頻的搞
    fps = int(cap.get(cv2.CAP_PROP_FPS))  # 幀率
    fourcc = int(cap.get(cv2.CAP_PROP_FOURCC))  # 視頻的編碼

    # 定義視頻保存的輸出屬性
    out = cv2.VideoWriter('out.mp4', fourcc, fps, (width, height))
    while cap.isOpened():
        ret, frame = cap.read()
        cv2.imshow('fame', frame)
        key = cv2.waitKey(25)

        out.write(frame)  

        if key == ord('q'):
            break
    cap.release()  
    out.release()
    cv2.destroyAllWindows() 

• 圖片轉(zhuǎn)gif

import cv2
import imageio

def save_gif(video_name):
    cap = cv2.VideoCapture(video_name)

    # 定義視頻保存的輸出屬性
    out = []
    while cap.isOpened():
        ret, frame = cap.read()
        cv2.imshow('fame', frame)
        key = cv2.waitKey(15)

        if not ret: continue
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        out.append(cv2.resize(frame, (w//2, h//2))) # 適當(dāng)縮放，防止gif過大

        if key == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()

    imageio.mimsave('demo.gif', out, fps=30) # 調(diào)整保存的幀率

• 圖片轉(zhuǎn)視頻

import cv2
import os

def img2video(img_dir, save_name):
    # setting
    width = 1080 # 獲取原視頻的寬
    height = 720  # 獲取原視頻的搞
    fps = 30  # 幀率
    fourcc = cv2.VideoWriter_fourcc(*'DIVX')  # 視頻的編碼

    # 定義視頻保存的輸出屬性
    out = cv2.VideoWriter(save_name, fourcc, fps, (width, height))

    for r, ds, fs in os.walk(img_dir):
        for f in fs:
            file_name = os.path.join(r, f)
            img = cv2.imread(file_name)
            out.write(img)
	return

2.2 使用不同人臉識別算法進(jìn)行檢測和識別

人臉識別最簡單的就是使用dlib框架，其檢測流程如下圖所示：

2.2.1 模型加載

這里需要加載三個模型，分別是人臉檢測模型、人臉關(guān)鍵點(diǎn)預(yù)測模型、描述子特征計算模型，人臉檢測模型直接調(diào)用dlib的dlib.get_frontal_face_detector()即可，另外兩個可以直接從dlib的官網(wǎng)下載對應(yīng)的兩個模型：

1. shape_predictor_68_face_landmarks.dat
2. dlib_face_recognition_resnet_model_v1.dat

2.2.2 讀取圖片

讀取圖片直接使用2.1所講的就可以了，不再贅述。

2.2.3 人臉檢測和關(guān)鍵點(diǎn)提取

import dlib

def detect_img():
    cap = cv2.VideoCapture(0)
    detector = dlib.get_frontal_face_detector() # 檢測模型
    path_pre = "../models/shape_predictor_68_face_landmarks.dat"  # 68點(diǎn)模型
    pre = dlib.shape_predictor(path_pre)

    # 定義視頻保存的輸出屬性
    out = []
    while cap.isOpened():
        ret, frame = cap.read()
        key = cv2.waitKey(15)
        if not ret: continue
        rects = detector(frame, 0)

        for obj in rects: # 繪制所有的人臉
            # print(dir(obj))
            pt1, pt2 = rect2bb(obj)
            cv2.rectangle(frame, pt1, pt2, (0, 255, 0), 2)

            shapes = pre(frame, obj) # 對當(dāng)前的人臉框做68點(diǎn)特征點(diǎn)預(yù)測
            shapes = shape_to_np(shapes)
            for (x, y) in shapes:
                cv2.circle(frame, (x, y), 1, (255, 0, 0), -1)

        cv2.imshow('fame', frame)

        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        h, w, c = frame.shape
        out.append(cv2.resize(frame, (w//2, h//2)))
        if key == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()

    imageio.mimsave('demo.gif', out, fps=20)

可以發(fā)現(xiàn)，上述代碼中有兩個函數(shù)沒有定義，rect2bb和shape_to_np。由于dlib的輸出是個自定義的類，雖然print可以獲取他的rect信息，但是我們不能直接傳給cv2.rectangle，因此我們需要對dlib推理得到的rects和shapes重新處理從而方便處理：

def rect2bb(rect):

    x1 = rect.left()
    y1 = rect.top()
    x2 = rect.right()
    y2 = rect.bottom()

    return (x1, y1), (x2, y2)

def shape_to_np(shape):
    coords = np.zeros((68, 2), dtype=int)
    for i in range(0, 68):
        coords[i] = (shape.part(i).x, shape.part(i).y)
    return coords

通過這個demo，我們可以獲取到下面的檢測結(jié)果，看起來還可以hhh。

2.2.4 描述子匹配

通過上述例子，我們已經(jīng)完成了人臉檢測和關(guān)鍵點(diǎn)估計，那么如何進(jìn)行人臉的匹配，也就是說怎么將當(dāng)前人臉和我們數(shù)據(jù)庫里面的人臉進(jìn)行匹配呢？我認(rèn)為主要分為以下幾個步驟：

1. 創(chuàng)建一個人臉數(shù)據(jù)集
   這里我們可以按照學(xué)號或者按照人名將人臉數(shù)據(jù)分文件夾放置，如下圖所示：
   
   

每個人的文件夾下放置該人不同姿態(tài)下的人臉圖片，用來作為原始的圖片數(shù)據(jù)集，但其實(shí)匹配的過程中我們往往不太直接用數(shù)據(jù)庫中的原圖，因?yàn)?code>計算特征是耗時的，因此更為合適的做法是，將數(shù)據(jù)庫中的圖片提前進(jìn)行人臉識別、特征點(diǎn)檢測和特征提取，產(chǎn)生一個特征數(shù)據(jù)集替代這一原始圖片的數(shù)據(jù)集，如下圖所示：

2. 分別計算未知人臉特征和數(shù)據(jù)庫中的人臉特征

   顧名思義，我們需要在2.2.3中的代碼的基礎(chǔ)上，完成人臉特征提取，代碼如下:

def load_model():
    detector = dlib.get_frontal_face_detector()
    path_pre = "../models/shape_predictor_68_face_landmarks.dat"  # 68點(diǎn)模型
    pre = dlib.shape_predictor(path_pre)

    path_model = "../models/dlib_face_recognition_resnet_model_v1.dat"  # resent模型
    model = dlib.face_recognition_model_v1(path_model)

    return detector, pre, model


def get_describe_for_face(detector, pre, model, img):
    det_img = detector(img, 0)
    try:
        shape = pre(img, det_img[0])
        know_encode = model.compute_face_descriptor(img, shape)
    except:
        return -1
    return know_encode

# 獲取待檢測圖片的encode
unknown_encod = get_describe_for_face(detector, pre, model, unknown_img)

上面我們給出了計算未知人臉特征的代碼，而數(shù)據(jù)庫中的已知人臉數(shù)據(jù)我們同樣需要進(jìn)行特征提取，正如前面2.2.4第一步所說，我們需要提前預(yù)處理數(shù)據(jù)集中的特征，保存為一個類似face_fea_database的數(shù)據(jù)集備用。這里給出批處理獲取特征的參考代碼：

import os
import pickle
import numpy as np
from PIL import Image

def Eu(a, b):  # 距離函數(shù)
    return np.linalg.norm(np.array(a) - np.array(b), ord=2)

face_dir = '../face_database'
face_feature_dir = '../face_fea_database'
unknown_img = np.array(Image.open('../face_database/20221000/1.jpg'))

detector, pre, model = load_model()
unknown_fea = get_describe_for_face(detector, pre, model, unknown_img)

for id in os.listdir(face_dir):
    face_path = os.path.join(face_dir, id)
    face_fea_path = os.path.join(face_feature_dir, id)
    os.makedirs(face_fea_path, exist_ok=True)
    for img_name in os.listdir(face_path):
        img_path = os.path.join(face_path, img_name)
        fea_path = os.path.join(face_fea_path, img_name.replace('.jpg', '.ft'))
        img = np.array(Image.open(img_path))
        img_feature = get_describe_for_face(detector, pre, model, img)
        with open(fea_path, 'wb') as f:
            pickle.dump(img_feature, f)

        with open(fea_path, 'rb') as f:
            data = pickle.load(f)

        print("save and load result is same? ", Eu(img_feature, unknown_fea) == Eu(data, unknown_fea))

3. 將未知人臉和數(shù)據(jù)庫中的人臉進(jìn)行匹配
   匹配這部分我們需要定義我們自己的匹配規(guī)則，這里我使用的是將未知了雙閾值篩選，如果兩個人臉特征差距太大，那么就跳過；如果兩個人臉的差距很小，那么直接返回結(jié)果；介于倆個閾值之間的，就放在一個list中，最后按照距離排序，返回距離最小的人臉?biāo)鶎?yīng)的人員屬性。

下面給出macth部分的函數(shù)代碼：

def record_status(status, name=None):
    f = open('../recog_status.txt', 'w', encoding='utf-8')
    if status == 3: # 打卡成功
        info = STATUS_DICT[status] + name
    else:
        info = STATUS_DICT[status]
    f.write(info)
    f.close()

def match_face_by_face_recognize(unknown_img, face_dir, stu_lists, thres=0.4, min_thres=0.55):

    MODEL_STATUS = 1
    record_status(MODEL_STATUS)

    # detector, pre, model = load_model()

    MODEL_STATUS = 2
    record_status(MODEL_STATUS)
    # 獲取待檢測圖片的encode
    unknown_encod = face_recognition.face_encodings(unknown_img)

    if unknown_encod == []:
        record_status(4)
        print('無法識別攝像頭中的人臉')
        return -1, 'Unknown'
    else:
        unknown_encod = unknown_encod[0]

    stus_conf = {stu[0]:[stu[1], 2] for stu in stu_lists}
    for id, name in stu_lists:
        # 獲取當(dāng)前學(xué)生的人臉地址
        stu_face_dir = os.path.join(face_dir, str(id))
        for img_name in os.listdir(stu_face_dir):
            img_path = os.path.join(stu_face_dir, img_name)

            # func1. use dlib to get encode if necessary
            # img = np.array(Image.open(img_path))
            # know_encode = get_describe_for_face(detector, pre, model, img)

            # func2. use feature prepared by utils.prepare_feature.py
            f = open(img_path, 'rb')
            know_encode = pickle.load(f)

            # func3. use face recognize
            # img = face_recognition.load_image_file(img_path)
            # know_encode = face_recognition.face_encodings(img)

            if know_encode == []:
                record_status(4)
                print('無法識別人臉庫中的人臉')
                return -1, 'Unknown' # 人臉庫一般不存在這種情況！??！必須保證高質(zhì)量人臉
            else:
                know_encode = know_encode[0]

            # 如果檢測到差距小于閾值，認(rèn)為檢測成功， 退出
            distance = Eu(know_encode, unknown_encod)

            if distance > min_thres: break # 這個人必然不是
            else:
                if distance < thres: # 閾值很小了
                    MODEL_STATUS = 3
                    record_status(MODEL_STATUS, name)
                    return id, name
                else: # 閾值一般
                    stus_conf[id][1] = min(stus_conf[id][1], distance)
    # print(stus_conf)
    res = sorted(stus_conf.items(), key=lambda x:x[1][1])[0]
    print(res)

    id, (name, conf) = res
    if conf > min_thres:
        MODEL_STATUS = 4
        record_status(MODEL_STATUS)
        return -1, 'Unknown'
    else:
        MODEL_STATUS = 3
        record_status(MODEL_STATUS, name)
        return id, name

if __name__ == '__main__':
    cap = get_cap()
    id = 1
    while True:
        ret, frame = cap.read()
        if cv2.waitKey(1) == ord('q'):#按Q退出
            img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            img = cv2.resize(img, (480, 480))
            # img = np.array(img)
            break
        else:
            cv2.imshow('win', frame)

    stu_lists = [(20221001, '錢全'), (20221002, '葛娟'), (20221003, '衛(wèi)雅'), (20221004, '王寧'), (20221005, '韓惠'),
                 (20221006, '鄒慧')]
    detector, pre, model = load_model()
    result = match_face(img, '../face_fea_database', stu_lists, detector, pre, model)
    print(result)

其實(shí)從上面的代碼上可以看出，我們其實(shí)還有一種快速提取圖像特征的方式，那就是使用face_recognize這個庫，代碼如下，但速度上肯定還是加載預(yù)處理得到的特征文件（第二種方法）更快。

func3. use face recognize
img = face_recognition.load_image_file(img_path)
know_encode = face_recognition.face_encodings(img)

三、 基于sqlite3的數(shù)據(jù)庫設(shè)計

數(shù)據(jù)庫本身不是這個項目的重點(diǎn)，因此這里淺淺地使用一下python自帶的sqlite3數(shù)據(jù)庫，這里我只簡單地定義了一些必要的類，因?yàn)檫@是一個人臉打卡系統(tǒng)，因此不免就需要有學(xué)生、課程、打卡信息以及選課信息表。

3.1 簡單定義數(shù)據(jù)庫類

先定義一個數(shù)據(jù)庫的類，用來管理我們的數(shù)據(jù)，包括數(shù)據(jù)的導(dǎo)入、數(shù)據(jù)的讀取和數(shù)據(jù)的更新等等，通過一個類的方式來進(jìn)行數(shù)據(jù)庫的操作更為清晰和直觀一些。E-R圖這里就不畫了，這個任務(wù)也比較簡單吧，簡化起見就設(shè)計了四個表，具體內(nèi)容下面詳細(xì)敘述。

3.1.1 CardRecord 打卡信息表

3.1.2 Course 課程表

3.1.3 Relation 選課關(guān)系表

3.1.4 Student 學(xué)生表

對于選擇困難的人而言起名字真的很痛苦，為了快速生成不同學(xué)生名和課程名，我使用了隨機(jī)拼接的方式生成csv文件，后面在導(dǎo)入數(shù)據(jù)庫，這里只給出csv的生成代碼，大家可以根據(jù)需要選擇和修改：

def random_get_datas():
    import random
    start_id = 20221000
    firstName = "趙錢孫李周吳鄭王馮陳褚衛(wèi)蔣沈韓陶姜戚謝鄒喻水云蘇潘葛奚范彭"
    lastName = "秀娟英華慧巧美娜靜淑惠珠翠雅力明永健寧貴福生龍元全國勝學(xué)祥才"
    stu_infos, class_infos = [], []
    with open('student.csv', 'w', encoding='utf-8') as f:
        f.writelines('id,name,age,details\n')
        for i in range(10):
            id, name, age, details = start_id, \
                                     random.choice(firstName) + random.choice(lastName), \
                                     random.randint(18, 24), \
                                     "喜歡" + random.choice(['足球', '籃球', '排球'])

            start_id += 1
            f.writelines("{},{},{},{}\n".format(id, name, age, details))
            stu_infos.append((id, name, age, details))

    with open('class.csv', 'w', encoding='utf-8') as f:
        f.writelines('id,name,status\n')
        start_id = 19334
        firstName = ['高等','基礎(chǔ)' ,'線性' ,'隨機(jī)' ]
        lastName = ['數(shù)學(xué)', '物理', '信號分析']
        for i in range(4):
            id, name, status = start_id, \
                                   random.choice(firstName) + random.choice(lastName), \
                                   1

            start_id += 1
            f.writelines("{},{},{}\n".format(id, name, status))
            class_infos.append((id, name, status))

    with open('relation.csv', 'w', encoding='utf-8') as f:
        id = 0
        f.writelines("id,stu_id,course_id,create_time\n")
        for classes in class_infos:
            a, b = random.randint(0, 4), random.randint(5, len(stu_infos))
            for stu in stu_infos[a:b]:
                time = "2022-5-" + str(random.randint(1, 10))
                f.writelines("{},{},{},{}\n".format(id, stu[0], classes[0], time))
                id += 1

    print('random init success.')

從csv導(dǎo)入sqlite還是挺容易的，示例代碼如下，其中conn = sqlite3.connect(self.db_path)：

def get_class_from_csv(self, csv_file):
    df = pd.read_csv(csv_file)
    try:
        df.to_sql('Course', self.conn, if_exists='append', index=False)
    except Exception as e:
        print(e)
    finally:
        print("導(dǎo)入成功")

3.2 封裝常用的sql查詢到數(shù)據(jù)庫類成員函數(shù)中

這個也比較基本，把一些常用的查詢函數(shù)集成到database類里

def get_courses(self):
    # 返回課程編號和名稱
    sql = '''
        select * from Course where status == 1;
    '''
    curr = self.conn.cursor()
    curr.execute(sql)

    return [item[:2] for item in curr.fetchall()]

def get_stu_info(self):
    sql = '''
        select * from student;
    '''
    curr = self.conn.cursor()
    curr.execute(sql)

    return {item[0]:item[1:] for item in curr.fetchall()}


def get_stus_by_course(self, course_id):
    # 返回課程編號和名稱
    sql = '''
        select Student.id, Student.name from Student, Relation  where Relation.course_id == ? and Student.id == Relation.stu_id
    '''
    curr = self.conn.cursor()
    curr.execute(sql, [course_id])

其實(shí)這里面我寫的也比較簡單，拋磚引玉，大家可以參照類似的方式把一些功能sql語句寫入函數(shù)中，方便調(diào)用。

四、 基于PyQt5的GUI設(shè)計

GUI設(shè)計這部分的話，主要就是一個交互的作用，大家根據(jù)自己的熟悉程度選擇不同的框架，python客戶端主要就是tkinter和pyqt5吧，熟悉前后端框架的也可以用html+css+js+django/flask之類的解決。我之前做過pyqt5的客戶端，算是比較熟悉吧，這里也就用pyqt5為例來說明一下吧。
想使用pyqt5的同志們，處理要安裝基本的pyqt5的python庫，為了方便開展GUI設(shè)計，最好可以配置一下三件套，也就是：

• qt designer ：把GUI設(shè)計變得更簡單，可以理解為可以把組件拖來拖去，完成框架設(shè)計的軟件。
• pyrcc：把pyqt5界面所引用的多個資源轉(zhuǎn)換為一個二進(jìn)制文件，方便使用，不用在去一個個文件調(diào)用。
• pyuic：pyqt5的GUI文件是.ui文件，這個工具可以把ui文件轉(zhuǎn)py文件，供我們做類的復(fù)用。

這里我就不贅述這三個玩意的配置和用法啦，如果大家感興趣，我在專門搞一篇講解吧 ~

4.1 框架和文件夾結(jié)構(gòu)設(shè)計

下面我講一下gui文件的結(jié)構(gòu)吧，其實(shí)做任何pyqt5的應(yīng)用，都是大同小異的，在你的主目錄下，可以創(chuàng)建一個resource文件夾，里面分別創(chuàng)建一個UI文件夾和一個images文件夾；

• UI主要就存放了你的不同界面的ui源文件，以及你用pyuic轉(zhuǎn)換好的py文件（花括號括起來的），轉(zhuǎn)換后的py文件其實(shí)就是你在qt designer中設(shè)計的那個面板對應(yīng)的py類定義和實(shí)現(xiàn)，你后面可以直接繼承這個類然后再做一些邏輯，包括信號和槽函數(shù)的實(shí)現(xiàn)。
• images 主要存一些你的圖片資源文件，資源文件最后保存在.qrc中，后面通過pyrcc可以將資源文件轉(zhuǎn)為images_rc.py，方便后面使用。當(dāng)然，如果你有一些音頻數(shù)據(jù)，也可以按照類似的方式創(chuàng)建。

剩下的文件夾和定義就隨意啦 ~ 最好是整一個main文件，然后在里面完成不同界面的跳轉(zhuǎn)和交互，這樣比較清晰直觀，界面之間盡量解耦，依賴低一些。

4.2 開始界面設(shè)計

如上圖所示，其實(shí)可以看出，開始界面的組成比較簡單，就是一些按鈕、label和組合框的堆疊，主要就是為了顯示我們的軟件名，增加選擇框?qū)φn程進(jìn)行選擇，考勤時間的選擇，界面切換按鈕和自定義的最小化，最大化按鈕（qt自帶的很丑hhh）

你只需要選擇合適的widget（布局），把這些組織在一起就好啦。對于初學(xué)的同學(xué)不需要關(guān)心太多，我覺得你只要把想要的組件放進(jìn)去，然后哪怕是固定他們的位置呢，只要能用，就是勝利；這里要說的話就有點(diǎn)多了哈哈哈。如果你要自己設(shè)計的話，那么就就點(diǎn)擊左上角的file，按如下的創(chuàng)建就可以啦，然后在左邊選則不同的組件，拖過去就ok啦。

大家回頭配置好了qt designer，可以打開我的ui文件，看看具體的布局設(shè)計等等，其實(shí)想要把qt弄得好看一些還是需要費(fèi)一些功夫的，qt的qss感覺相比于css還是差點(diǎn)意思，所以一些圓角設(shè)計、配色和鼠標(biāo)事件下，控件的變化想變得絲滑還是需要大家費(fèi)點(diǎn)心思。

4.3 驗(yàn)證界面設(shè)計

驗(yàn)證界面還是挺簡單的，其實(shí)就是為了防止同學(xué)們或者非管理員瞎玩開始界面和導(dǎo)出打開數(shù)據(jù)，因此需要驗(yàn)證身份，也比較簡單吧，就只需要輸入密碼，然后驗(yàn)證或者返回就ok。

4.4 自定義的listwidget設(shè)計

這里設(shè)計這個listwidget的目的其實(shí)是為了顯示打卡人的頭像、姓名、學(xué)號和打卡信息，把他放在一個listwidget里面，但是qt并沒有一個基本組件可以滿足這一需求，因此我們可以設(shè)計一個form，然后把他嵌入到listwidget里面就ok啦，當(dāng)然后面如何對listwidget的元素進(jìn)行狀態(tài)更新和排序，也是有一些細(xì)節(jié)的，這里不贅述，大家感興趣可以從我的代碼中找到答案。

4.4 主界面設(shè)計

主界面應(yīng)該是最復(fù)雜的，但其實(shí)也只是相對復(fù)雜，我按照上述的8部分來敘述吧：

1. 打卡面板：
2. 狀態(tài)顯示欄
3. 剩余時間顯示：
4. 打卡進(jìn)度更新：
5. 自定義打卡人物和狀態(tài)顯示：
6. 攝像頭和打卡：
7. 數(shù)據(jù)導(dǎo)出：
8. 界面跳轉(zhuǎn)：

4.5 如何有效組織不同的UI界面類

五、效果展示

5.1 檢測和識別效果展示

5.2 數(shù)據(jù)庫導(dǎo)出和查看

六、代碼獲取和下載

完整項目代碼放在了我的公眾號：百年后封筆，
大家回復(fù) “人臉打卡系統(tǒng)”，即可免費(fèi)獲取完整代碼的下載鏈接！

創(chuàng)作不易，也歡迎大家批評指正，動動小手，評論，收藏一哈！

我也會繼續(xù)不定期更新感興趣的項目~文章來源地址http://www.zghlxwxcb.cn/news/detail-513845.html

到了這里，關(guān)于使用python和pyqt5輕松上手人臉識別系統(tǒng)（含代碼）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！