python 人脸识别系统（常见框架:PyQt5+Django+Flask流行算法Opencv/dlib/pytorch/tensorflow）实现功能:人员管理，权限管理，采集人脸，训模型，面部识别

python 人脸识别系统（常见框架:PyQt5+Django+Flask流行算法Opencv/dlib/pytorch/tensorflow）


常见框架:PyQt5+Django+Flask
流行算法：Opencv/dlib/pytorch/tensorflow

实现功能:人员管理，权限管理，采集人脸，训模型，面部识别，数据库管理，考勤报表，口罩识别，深度学习，卷积网络

基本流程：
1.注册人脸：dlib基于深度学习人脸检测算法，人脸关键的定位，保存人脸图片web界面展示

2.采集人脸：web前端javascipt 控制摄像头拍摄人脸图片

3.训练模型：
[1]基于opencv 级联分类器检测人脸，opencv lbph训练人脸模型
[2]基于pytroch facenet 通过深度卷积网络提取特征，l2标准化，128位特征向量
       

4.识别人脸：卷积神经网络，basicconv2d网络结构 conv2d（输入通道，输出通道，卷积核大小，步长，补丁数）

5.数据库：mysql/sqlite数据库进行序列化数据存储

6.客户端：
[左]基于PyQt5设计的GUI实现
[左]基于django设计Web实现

7.后台管理：基于Django设计web管理界面包括人员管理，考勤管理和考勤报表

1. PyQt5 GUI 示例

这是一个简单的 PyQt5 应用程序，它显示一个窗口并有一个按钮用于启动摄像头捕获：

import sys
from PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QVBoxLayout, QLabel
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimer
import cv2

class App(QWidget):
    def __init__(self):
        super().__init__()
        self.title = 'Face Recognition System'
        self.left = 100
        self.top = 100
        self.width = 640
        self.height = 480
        self.initUI()
        
    def initUI(self):
        self.setWindowTitle(self.title)
        self.setGeometry(self.left, self.top, self.width, self.height)

        # 创建一个标签用于显示图像
        self.label = QLabel(self)
        self.label.resize(640, 480)

        # 创建一个按钮用于开始/停止视频流
        btn = QPushButton('Start Camera', self)
        btn.setToolTip('This is an example button')
        btn.move(20, 20)
        btn.clicked.connect(self.on_click)

        self.show()

    def on_click(self):
        self.timer = QTimer(self)
        self.cap = cv2.VideoCapture(0)
        self.timer.timeout.connect(self.update_frame)
        self.timer.start(5)

    def update_frame(self):
        ret, image = self.cap.read()
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        height, width, channel = image.shape
        step = channel * width
        qImg = QImage(image.data, width, height, step, QImage.Format_RGB888)
        self.label.setPixmap(QPixmap.fromImage(qImg))

if __name__ == '__main__':
    app = QApplication(sys.argv)
    ex = App()
    sys.exit(app.exec_())

2. Flask 后端示例

接下来是一个简单的 Flask 应用，它提供了一个用于接收图像文件并返回识别结果的端点：

from flask import Flask, request, jsonify
import cv2
import numpy as np

app = Flask(__name__)

# 用于简单的人脸检测
def detect_faces(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
    return len(faces)

@app.route('/detect', methods=['POST'])
def detect():
    if 'image' not in request.files:
        return jsonify({'error': 'No file part'})
    
    file = request.files['image']
    if file.filename == '':
        return jsonify({'error': 'No selected file'})
    
    if file:
        image = cv2.imdecode(np.fromstring(file.read(), np.uint8), cv2.IMREAD_UNCHANGED)
        num_faces = detect_faces(image)
        return jsonify({'num_faces': num_faces})

if __name__ == '__main__':
    app.run(debug=True)

3. 使用 OpenCV 进行人脸检测

这里是一个简单的函数，用于从图像中检测人脸：

import cv2

def detect_faces(image_path):
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    image = cv2.imread(image_path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
    for (x, y, w, h) in faces:
        cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)
    cv2.imshow("Faces found", image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

可以在此基础上添加更多的功能，如用户管理、权限控制、模型训练等。如果您需要进一步的帮助或特定功能的实现。