毕业设计：基于python人脸识别系统 人脸签到 实时检测 深度学习 Dlib库 大数据 毕业设计（源码）✅

毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕设选题推荐汇总

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、项目介绍

技术栈：
Python语言、pyqt5图形界面、opencv、ResNet深度卷积神经网络、Dlib库

识别人脸、录入人脸、管理人脸在内的多项功能

系统实现了集识别人脸、录入人脸、管理人脸在内的多项功能：包括通过选择人脸图片、视频、摄像头进行已录入人脸的实时识别；可通过图片和摄像头检测人脸并录入新的人脸；通过系统管理和更新人脸数据等功能，检测速度快、识别精度较高。

人脸识别原理
如今机器学习、神经网络方法广泛应用于人脸识别领域，而后深度学习广泛应用于各种目标检测领域，2015年，Google团队的FaceNet在LFW数据集上得平均准确率达到了99.63%，基于深度学习的人脸识别的准确率已经高于人类本身，深度学习在人脸识别领域基本占据了统治地位。

2、项目界面

（1）人脸识别—图片识别

（2）人脸识别–视频识别

（3）录入人脸

（4）摄像头实时人脸识别

（5）摄像头实时人脸识别2

（6）系统首页界面

（7）人脸识别记录管理

3、项目说明

（1）系统实现了集识别人脸、录入人脸、管理人脸在内的多项功能：包括通过选择人脸图片、视频、摄像头进行已录入人脸的实时识别；可通过图片和摄像头检测人脸并录入新的人脸；通过系统管理和更新人脸数据等功能，检测速度快、识别精度较高。

（2）人脸识别原理
如今机器学习、神经网络方法广泛应用于人脸识别领域，而后深度学习广泛应用于各种目标检测领域，2015年，Google团队的FaceNet在LFW数据集上得平均准确率达到了99.63%，基于深度学习的人脸识别的准确率已经高于人类本身，深度学习在人脸识别领域基本占据了统治地位。

Dlib是一个包含机器学习算法的C++开源工具包，目前已经被广泛的用在行业和学术领域，包括机器人，嵌入式设备，移动电话和大型高性能计算环境。作为人脸识别工具之一，Dlib在图像处理及人脸面部特征处理、分类、识别等方面具有计算简单、较容易实现的优点。

Dlib在人脸识别上的应用：（1）接受图像并将其加载到一个像素数组中进行处理；（2）使用局部二进制模式的人脸描述生成新的图像；（3）根据Dlib库中的scan＿image＿boxes等函数写入读取到的图片，进而计算人脸之间的特征向量；（4）与人脸数据库中的特征向量进行对比并利用全局函数threshold＿image计算阈值，完成人脸识别1。

Dlib可通过Python调用，实现对图像预处理、提取特征向量、与人脸数据库中数据进行校验进而判别人物身份的流程。这里我们的人脸识别的过程有人脸检测(Face Detection)、人脸对齐(Face Alignment)、人脸表示(Face Representation)和人脸匹配(Face Matching)，示意图如下图所示：

（1）人脸检测(Face Detection)：首先利用Dlib的get_frontal_face_detector方法检测人脸区域并输出人脸矩形的四个坐标点。调用get_frontal_face_detector会返回 dlib 库中包含的预训练方向梯度直方图 (HOG)结合线性支持向量机（SVM）的人脸检测器，该检测器快速高效。由于方向梯度直方图 (HOG) 描述符的工作原理，它对图像几何的和光学的形变都能保持很好的不变性。

（2）人脸对齐(Face Alignment)：这是人脸识别系统中的一种标准操作，即从人脸区域中检测到人脸特征点，并以特征点为依据对人脸进行归一化操作，使人脸区域的尺度和角度一致，方便特征提取与人脸匹配。一般通过旋转、平移与缩放将目标人脸区域放置在图像特定位置。这样做可以减小需要处理的人脸图像在空间分布上的差异。这里我们使用的是基于回归树的人脸对齐算法2，该算法是Vahid Kazemi 和 Josephine Sullivan在CVPR2014上发表的One Millisecond Face Alignment with an Ensemble of Regression Trees算法（以下简称GBDT），这种方法通过建立一个级联的残差回归树（GBDT）来使人脸形状从当前形状一步一步回归到真实形状。每一个GBDT的每一个叶子节点上都存储着一个残差回归量，当输入落到一个节点上时，就将残差加到改输入上，起到回归的目的，最终将所有残差叠加在一起，就完成了人脸对齐的目的。此处我们使用shape_predictor方法载入shape_predictor_68_face_landmarks.dat模型实现。

（3）人脸表示(Face Representation)：这一步我们从归一化的人脸区域中进行面部特征提取，采用深度神经网络方法得到具有128个特征的特征向量。这里利用Dlib中的残差学习深度神经网络（ResNet）3为待识别人脸创建128维特征向量。人脸的特征表示，最理想的情况是不同人脸的照片提取出的特征向量差异较大，而同一人脸在不同照片中可以提取出相似度高的特征向量。此处我们使用的是dlib库中的face_recognition_model_v1方法，使用预训练的dlib_face_recognition_resnet_model_v1.dat模型。

（4）人脸匹配(Face Matching)：将待识别图片中提取的特征向量与比对图中的进行对比，通过评估方法计算两幅照片的相似度。可以根据相似得分，将得分高的判断为同一人，得分低的判断为不同人。这里我们使用欧式距离计算，两个人脸特征向量的欧式距离越小，则两张人脸越相似，若人脸图像与待识别人像之间的欧式距离小于设定的阈值（这里我设置为0.4）时，则判定为同一人。

4、核心代码

import csv
import glob
import os
import re
import shutil
import time
import warnings
from os import getcwd