目录

一、项目概述

二、系统功能

2.1 教师功能

2.2 管理员功能

 2.3学生流程

2.4系统界面展示

2.4.1.登录注册

2.4.2.管理员端-用户管理

2.4.3.管理员端-学生管理

2.4.4.管理员端-学生批量导入

2.4.5.管理员端-学生考勤记录

 2.4.6.老师端-签到

三、技术实现

3.1 技术栈

四、数据库设计

4.1数据库关系图

4.2核心表结构

4.2.1学生表 (students)

4.2.2签到记录表 (attendance)

五、核心技术模块详解

5.1  人脸识别核心技术：128维特征编码解析

5.1.1.技术架构

5.1.2.特征提取过程示意图

5.2关键代码：

5.2.1.特征提取模块

5.2.2.特征对比模块

六、系统流程图

6.1系统启动流程

6.2人脸识别签到流程

七、总结

---

一、项目概述

  本项目是一个基于人脸识别技术的课堂签到系统，专为教育机构设计。系统采用前后端分离架构，前端使用PyQt5构建用户界面，后端使用Python处理业务逻辑和数据存储。系统支持管理员对学生信息的管理，以及教师通过摄像头进行实时课堂签到。

核心优势：

  无接触签到：学生无需接触设备，提高卫生安全性。

  高效准确：单次识别时间<0.3秒，准确率>90%。

  实时统计：教师可实时查看签到进度和统计信息。

  数据追溯：完整记录签到历史，支持数据导出。

二、系统功能

2.1 教师功能

          课堂签到管理：创建/开始/结束签到。

          实时人脸识别：通过摄像头捕捉学生人脸。

          签到结果统计：实时显示签到率。

          数据导出：导出签到记录为CSV。

2.2 管理员功能

        学生管理：增删改查学生信息。

        教师管理：添加/删除教师账号。

        批量导入：CSV导入学生名单。

        系统设置：调整识别参数。

        数据备份：数据库备份与恢复。

 2.3学生流程

2.4系统界面展示

2.4.1.登录注册

2.4.2.管理员端-用户管理

2.4.3.管理员端-学生管理

2.4.4.管理员端-学生批量导入

2.4.5.管理员端-学生考勤记录

 2.4.6.老师端-签到

三、技术实现

3.1 技术栈

        核心语言：Python 3.8+

        人脸识别：face_recognition库（基于dlib）

        图形界面：PyQt5

        数据库：SQLite（开发）/MySQL（生产）

        图像处理：OpenCV

        并发处理：threading + queue

四、数据库设计

4.1数据库关系图

4.2核心表结构

4.2.1学生表 (students)

字段	类型	说明
id	INT PK	主键
student_id	VARCHAR(20)	学号
name	VARCHAR(50)	姓名
class	VARCHAR(50)	班级
face_encoding	BLOB	人脸特征

4.2.2签到记录表 (attendance)

字段	类型	说明
id	INT PK	主键
student_id	VARCHAR(20)	学号
course	VARCHAR(50)	课程
timestamp	DATETIME	签到时间
status	TINYINT	签到状态

五、核心技术模块详解

5.1  人脸识别核心技术：128维特征编码解析

5.1.1.技术架构

人脸图像 → 人脸检测 → 关键点定位 → 特征提取 → 128维向量 → 特征比对

5.1.2.特征提取过程示意图

5.2关键代码：

5.2.1.特征提取模块

import face_recognition
import numpy as np

class FaceEncoder:
    def __init__(self, model="hog"):
        """
        初始化人脸编码器
        :param model: 人脸检测模型 (hog/cnn)
        """
        self.model = model
    
    def extract_features(self, image):
        """
        从图像中提取人脸128维特征
        :param image: 输入图像 (numpy数组)
        :return: 128维特征向量
        """
        # 人脸检测
        face_locations = face_recognition.face_locations(image, model=self.model)
        
        if not face_locations:
            return None
        
        # 特征提取
        face_encodings = face_recognition.face_encodings(image, known_face_locations=[face_locations[0]])
        
        if face_encodings:
            return face_encodings[0]
        return None

5.2.2.特征对比模块

class FaceComparator:
    @staticmethod
    def compare_faces(known_encoding, test_encoding, tolerance=0.4):
        """
        比较两个人脸特征的相似度
        :param known_encoding: 已知人脸编码
        :param test_encoding: 待比较人脸编码
        :param tolerance: 相似度阈值
        :return: 是否匹配
        """
        # 计算欧氏距离
        distance = np.linalg.norm(known_encoding - test_encoding)
        return distance <= tolerance, distance
    
    @staticmethod
    def find_best_match(known_encodings, test_encoding):
        """
        在已知人脸库中查找最佳匹配
        :param known_encodings: 已知人脸编码列表
        :param test_encoding: 待识别人脸编码
        :return: 最佳匹配索引和距离
        """
        # 计算与所有人脸的距离
        face_distances = face_recognition.face_distance(known_encodings, test_encoding)
        
        # 获取最佳匹配
        best_match_index = np.argmin(face_distances)
        return best_match_index, face_distances[best_match_index]

六、系统流程图

6.1系统启动流程

6.2人脸识别签到流程

七、总结

       本系统在技术上采用了成熟的PyQt5框架和face_recognition库进行开发，实现了人脸识别签到的基础功能。如需转载请私信联系我，同意后标明出处@原创。

         该系统成功构建了一个功能完备的课堂人脸识别签到平台，核心模块包括学生信息管理、课堂实时考勤（含摄像头捕捉与识别）、签到记录查询与导出等。整体运行稳定，满足了设计之初设定的基本功能需求，实现了无接触式签到流程。

         该系统的核心架构和人脸识别模块具备良好的可扩展性。通过调整用户角色（如业主/租户/访客）管理逻辑，并接入门禁控制器硬件，可较为直接地改造应用于小区物业门禁场景。其完整性和实用性使其适合作为计算机相关专业本科生的毕业设计选题。