python基于人脸识别的高校考勤系统

现如今的人脸识别技术在金融、安防等领域的应用实际上的效果要比实验室里的差很多，某高校引入人脸识别晨读打卡，由于反应速度太慢，到中午还排着很长的队。可见人脸识别技术在实际应用中，由于各种物理因素（光照、角度、对焦、人鱼摄像头的距离等）导致抓拍的图片质量比较差，图片又经过网络传输到局域网进行对比，匹配识别（这个处理过程比较速度太慢），使得实际效果大打折扣。在大多数情况下，实际抓拍图像质量远低于训练图像质量。
（2）须提高实验测试的标准
在做实验测试时，往往图片质量比较高且是正脸图片，在实际应用中，采集到的图片可能是局部人脸且图片质量不高。所以大多数情况下，实际应用的标准会远高于训练标准。
（3）训练效果和现实效果
大多数情况下，实际效果会远低于训练效果。现在市面上CV公司都是说自己的训练效果在99%以上（无限接近于100%），但这不等于实际应用的效果就是99%。工业上场景复杂的人脸识别应用（类似识别黑名单这种1:N的人脸比对）正确率在90%以上就已经是表现得很好的算法模型。
4.    水平和发展趋势
（1）网络化趋势
人脸识别解决了日常生活中一个基本的身份识别问题，今后，这种身份认证的结果会越来越多的和各行各业应用结合起来，并通过互联网和物联网得以信息共享，简单来说就是“身份识别+物联网”的发展趋势未来将十分普遍。
（2）多生物识别模式融合趋势
人脸识别技术现如今的还达不到人类的预期体验，对于一些安全性要求高的特殊行业应用，如金融行业，人脸识别很容易被不法分子攻破漏洞进行身份造假，因此需要多种生物特征识别技术的融合应用（如活体检测、虹膜识别等）以进一步提高身份识别的整体安全性。
（3）云技术
未来的云技术也将大大给人脸识别的应用提供数据和计算力支持，基于云技术的门禁控制可以同时管理成百上千的通道，加上物联网的普及，用户对任何地方的门禁进行远程控制和管理，准确识别本人，将广泛应用到企业、学校、培训机构、大型商业场合、办公大楼的门禁解决方案。

1.    具体设计内容
(1)身份信息数据的录入、管理;
(2)考勤数据的实时录入、校验;
(3)考勤数据的可视化显示与导出;
(4)考勤数据维护;
(5)分班级、年纪等层次进行考勤信息比较;
(6)针对学生个体的个性化打卡提醒。
2.    重点解决的技术问题
（1）考勤系统的实现
（2）数据库
（3）人脸识别技术