簡(jiǎn)介這是一份基于Python的人臉識(shí)別系統(tǒng)本科畢業(yè)設(shè)計(jì)資源面向計(jì)算機(jī)、人工智能等相關(guān)專(zhuān)業(yè)的畢業(yè)生和在校生可同時(shí)用于畢業(yè)設(shè)計(jì)、期末大作業(yè)與課程設(shè)計(jì)。資源包含完整的系統(tǒng)源碼與配套文檔代碼注釋詳細(xì)部署簡(jiǎn)單適合不同基礎(chǔ)的學(xué)習(xí)者參考與復(fù)用。資源包共2000個(gè)文件以1956個(gè)Python源碼文件為主系統(tǒng)功能模塊完整另有PDF論文文檔、TXT說(shuō)明文件、HTML與CSS頁(yè)面文件、JS腳本等覆蓋從研究背景、算法實(shí)現(xiàn)到界面展示的完整流程。整體包大小約82.24MB目錄結(jié)構(gòu)清晰便于按模塊閱讀和二次開(kāi)發(fā)目前已有182人瀏覽學(xué)習(xí)。該資源為作者精心打磨的98分高分項(xiàng)目獲得導(dǎo)師高度認(rèn)可下載后按照說(shuō)明簡(jiǎn)單配置環(huán)境即可運(yùn)行既能幫助理解人臉識(shí)別核心原理也能為論文撰寫(xiě)和系統(tǒng)答辯提供有力參考。1. 先別急著雙擊解壓這個(gè)畢設(shè)zip包里到底裝的是什么能拿到“基于Python的人臉識(shí)別系統(tǒng)本科論文畢業(yè)設(shè)計(jì).zip”這個(gè)包的人九成是正在趕畢設(shè)的本科生。你大概率是從某個(gè)資源站、論壇或?qū)W長(zhǎng)的網(wǎng)盤(pán)里把它拖了下來(lái)資源名里“本科論文”“畢業(yè)設(shè)計(jì)”兩個(gè)詞很容易讓人誤以為解壓就能跑、打開(kāi)就是答案。實(shí)際接手過(guò)的同學(xué)都知道這類(lèi)項(xiàng)目包的標(biāo)配是能打開(kāi)但報(bào)錯(cuò)、能截圖但跑不出識(shí)別、論文目錄跟代碼對(duì)不上。它不是一個(gè)單文件腳本而是一套由代碼、數(shù)據(jù)集、模型文件和論文草稿拼起來(lái)的交付物。我這篇筆記不給你重寫(xiě)論文就講清楚從解壓到跑通、再到答辯前驗(yàn)收這一路上最常見(jiàn)的做法和坑。目標(biāo)讀者很明確剛拿到包還沒(méi)頭緒的畢設(shè)黨以及接手別人代碼想快速評(píng)估值不值得改的“接盤(pán)俠”。2. 解壓與環(huán)境部署從zip包到第一幀攝像頭畫(huà)面2.1 用linux解壓縮命令先看目錄編碼、損壞與偽加密一次排清很多同學(xué)在Windows下右鍵“全部解壓縮”解壓出來(lái)一堆亂碼文件夾或者干脆提示“文件已損壞”。這類(lèi)畢設(shè)zip包大多是在中文環(huán)境打包的文件名編碼常是GBK而主流解壓工具默認(rèn)按UTF-8解釋于是中文名全成了拼音亂碼。我在Linux下處理這類(lèi)包習(xí)慣先用命令行工具看目錄不解壓就不容易踩二次寫(xiě)入的坑# 先列出壓縮包內(nèi)文件確認(rèn)結(jié)構(gòu)再?zèng)Q定解壓到哪 unzip -l 基于Python的人臉識(shí)別系統(tǒng)本科論文畢業(yè)設(shè)計(jì).zip # Linux下解壓遇到中文亂碼就用 -O 指定老式編碼 unzip -O GBK 基于Python的人臉識(shí)別系統(tǒng)本科論文畢業(yè)設(shè)計(jì).zip -d face_project/ # 如果提示損壞或找不到文件結(jié)尾標(biāo)記先檢查完整性 unzip -t 基于Python的人臉識(shí)別系統(tǒng)本科論文畢業(yè)設(shè)計(jì).zip第一行是只看不解壓列出文件清單用來(lái)確認(rèn)里面是不是代碼、數(shù)據(jù)、論文三個(gè)主目錄第二行的-O GBK參數(shù)是Linux下處理中文文件名亂碼的關(guān)鍵不加的話(huà)解壓出的目錄名會(huì)壞掉代碼里import路徑對(duì)不上直接導(dǎo)致后續(xù)ModuleNotFoundError第三行的-t是測(cè)試壓縮包完整性能提前暴露“導(dǎo)入失敗caused by: invalid zip archive: could not find eocd”這類(lèi)問(wèn)題——所謂 EOCDEnd Of Central Directory是zip文件末尾的結(jié)束標(biāo)記文件從網(wǎng)盤(pán)下載被中斷、或者被手機(jī)端網(wǎng)盤(pán)App“在線(xiàn)解壓”過(guò)經(jīng)常把這個(gè)標(biāo)記弄丟。Windows下沒(méi)有unzip -O這個(gè)參數(shù)我一般用7-Zip打開(kāi)它的“僅顯示名稱(chēng)”選項(xiàng)可以再試一次編碼轉(zhuǎn)換。如果7-Zip打開(kāi)時(shí)提示要密碼先別慌著到處找密碼這大概率是“zip偽加密”打包時(shí)用第三方工具給文件頭打了加密標(biāo)志但內(nèi)容并沒(méi)有真加密。偽加密的解救辦法是用ZipCenOp或干脆寫(xiě)個(gè)腳本把加密標(biāo)志位改回去重打包后正常解壓。這類(lèi)問(wèn)題放到第4章細(xì)說(shuō)。2.2 Python環(huán)境配置別用系統(tǒng)Python硬跑先把opencv-contrib裝明白解壓之后先別急著打開(kāi)train.py去跑畢設(shè)項(xiàng)目最常見(jiàn)的翻車(chē)點(diǎn)就是環(huán)境。這個(gè)系統(tǒng)基于Python但classseries里用的是OpenCV和dlib這些重量級(jí)輪子不同版本之間兼容性極差。我的習(xí)慣是新建一個(gè)conda獨(dú)立環(huán)境跟系統(tǒng)Python隔離這樣后期裝PyTorch或其他庫(kù)時(shí)不會(huì)把項(xiàng)目環(huán)境搞壞# 用conda創(chuàng)建獨(dú)立環(huán)境Python版本選3.8-3.10之間 conda create -n face_rec python3.8 -y conda activate face_rec # 先裝科學(xué)計(jì)算基礎(chǔ)庫(kù) pip install numpy opencv-python pillow matplotlib # 關(guān)鍵必須裝opencv-contrib-python它才帶人臉識(shí)別擴(kuò)展模塊 pip install opencv-contrib-python這里的核心知識(shí)點(diǎn)是opencv-python和opencv-contrib-python是兩個(gè)不同的pip包。前者只包含主模塊能做人臉檢測(cè)Haar級(jí)聯(lián)但做不了LBPH人臉識(shí)別因?yàn)閏v2.face這個(gè)命名空間里的LBPHFaceRecognizer_create()等算法屬于contrib擴(kuò)展模塊。網(wǎng)上很多畢設(shè)代碼明明有import cv2也沒(méi)寫(xiě)錯(cuò)運(yùn)行到cv2.face報(bào)AttributeError: module cv2 has no attribute face就是裝錯(cuò)了輪子。再一個(gè)重點(diǎn)是dlib的安裝。如果你的項(xiàng)目包里有requirements.txt里面大概率躺著dlib19.x.x。在Windows上用pip直接裝dlib失敗率不低因?yàn)樗枰狢Make和C編譯環(huán)境。我一般先試一次pip install dlib失敗就改用預(yù)編譯的wheel包或者干脆繞開(kāi)dlib不裝換face_recognition庫(kù)它底層調(diào)dlib但有更友好的安裝方式。環(huán)境裝完別急著跑代碼先在終端里啟動(dòng)Python驗(yàn)證一下import cv2 print(cv2.__version__) print(cv2.data.haarcascades)這里cv2.data.haarcascades會(huì)打印Haar級(jí)聯(lián)文件所在目錄后續(xù)人臉檢測(cè)要用的haarcascade_frontalface_default.xml就在這個(gè)目錄里。輸出正常說(shuō)明OpenCV環(huán)境基礎(chǔ)是通的。編輯器這邊用VS Code打開(kāi)項(xiàng)目根目錄按CtrlShiftP選“Python: Select Interpreter”把解釋器指到剛建好的face_rec環(huán)境vscode python環(huán)境配置這一步就完成了用PyCharm的同學(xué)在Settings里選Project Interpreter效果一樣。2.3 攝像頭預(yù)檢不碰人臉識(shí)別算法先把視頻鏈路打通環(huán)境裝完人容易自信滿(mǎn)滿(mǎn)直接運(yùn)行recognize.py結(jié)果彈出黑窗或者直接閃退。黑窗九成不是識(shí)別算法掛了而是攝像頭視頻流沒(méi)打開(kāi)。我先給你一段不包含任何人臉識(shí)別邏輯的攝像頭自檢腳本單獨(dú)跑通再進(jìn)主線(xiàn)排查范圍就小得多import cv2 import sys def main(): # 0代表筆記本內(nèi)置攝像頭外接USB相機(jī)常是1或2 cap cv2.VideoCapture(0, cv2.CAP_DSHOW) # Windows下顯式指定后端 if not cap.isOpened(): sys.exit(攝像頭打不開(kāi)檢查索引、權(quán)限或是否被其他軟件占用) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) while True: ok, frame cap.read() if not ok: break cv2.imshow(camera-precheck, frame) key cv2.waitKey(1) 0xFF if key ord(q): break cap.release() cv2.destroyAllWindows() if __name__ __main__: main()這段代碼有兩個(gè)參數(shù)值得說(shuō)明cv2.CAP_DSHOW是Windows下的DirectShow后端很多筆記本攝像頭在默認(rèn)的MSMF后端下打不開(kāi)或延遲很重加上它能直接治好一部分黑屏分辨率設(shè)置成640×480不是為了看畫(huà)質(zhì)而是人臉識(shí)別根本不需要高分辨率1080P帶來(lái)的噪點(diǎn)和計(jì)算量反而會(huì)讓檢測(cè)幀率掉到10幀以下。運(yùn)行后看到實(shí)時(shí)畫(huà)面并按Q退出攝像頭這塊地基就穩(wěn)了接下來(lái)碰算法鏈路才有的放矢。3. 人臉識(shí)別系統(tǒng)的主鏈路檢測(cè)、特征提取與身份比對(duì)3.1 人臉檢測(cè)選型Haar、HOG與深度學(xué)習(xí)檢測(cè)器別只信“越新越好”一個(gè)畢設(shè)級(jí)的人臉識(shí)別系統(tǒng)鏈條上通常是四個(gè)人臉檢測(cè)與提取特征對(duì)齊的子任務(wù)。先談檢測(cè)因?yàn)樽R(shí)別的前提是“先找到臉在哪”。選檢測(cè)器這件事在畢業(yè)論文里要寫(xiě)下理由很多同學(xué)直接上深度學(xué)習(xí)模型結(jié)果演示機(jī)器沒(méi)GPU幀率低到?jīng)]法看。我在畢設(shè)輔導(dǎo)里通常按下面這張表來(lái)權(quán)衡檢測(cè)方案常見(jiàn)速度(CPU)漏檢情況誤檢情況論文學(xué)起來(lái)難度OpenCV Haar級(jí)聯(lián)快毫秒級(jí)側(cè)臉漏檢較多背景誤檢較多原理簡(jiǎn)單好寫(xiě)章節(jié)dlib HOGSVM中等側(cè)臉漏檢較少誤檢較少特征與分類(lèi)器能寫(xiě)深MTCNN/RetinaFace慢需GPU很少很少要寫(xiě)深度學(xué)習(xí)背景Haar級(jí)聯(lián)是OpenCV自帶的經(jīng)典檢測(cè)器一個(gè)XML文件就搞定人臉位置框選原理是基于Haar特征做級(jí)聯(lián)分類(lèi)器計(jì)算速度快到可以忽略不計(jì)但對(duì)手勢(shì)遮擋和側(cè)臉的容忍度很低。HOGSVM在dlib里被封裝為get_frontal_face_detector()它基于梯度方向直方圖特征和線(xiàn)性SVM分類(lèi)器速度和魯棒性平衡。深度學(xué)習(xí)檢測(cè)器如MTCNN的精度最高但在無(wú)GPU的答辯演示環(huán)境里實(shí)時(shí)性是硬傷。論文寫(xiě)作層面我的建議是本科畢設(shè)選Haar或HOG來(lái)做檢測(cè)章節(jié)再用深度學(xué)習(xí)特征嵌入做識(shí)別章節(jié)這樣既有經(jīng)典原理可寫(xiě)又有“用深度學(xué)習(xí)提升識(shí)別精度”的改進(jìn)點(diǎn)可講答辯老師也愛(ài)聽(tīng)。3.2 LBPH人臉識(shí)別從訓(xùn)練到預(yù)測(cè)的最小可運(yùn)行代碼人臉檢測(cè)解決“臉在哪里”接下來(lái)是“這是誰(shuí)”。LBPHLocal Binary Patterns Histograms是OpenCV contrib模塊里自帶的傳統(tǒng)人臉識(shí)別算法它不需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)幾十張正臉照片就能訓(xùn)練出一個(gè)能用的模型特別適合本科畢設(shè)的體量。核心原理是把灰度圖分成小格子每個(gè)像素與鄰域比較得到二進(jìn)制模式統(tǒng)計(jì)每個(gè)格子的直方圖整幅圖的多個(gè)直方圖串聯(lián)起來(lái)就是這張臉的特征向量識(shí)別時(shí)用最近鄰距離判斷屬于哪個(gè)類(lèi)別。先看訓(xùn)練腳本import os import cv2 import numpy as np def load_dataset(data_dir, img_size(200, 200)): images, labels, names [], [], [] for label, name in enumerate(sorted(os.listdir(data_dir))): folder os.path.join(data_dir, name) if not os.path.isdir(folder): continue names.append(name) for fname in os.listdir(folder): path os.path.join(folder, fname) gray cv2.imread(path, cv2.IMREAD_GRAYSCALE) if gray is None: continue gray cv2.resize(gray, img_size) # 直方圖均衡化緩解光照不均 gray cv2.equalizeHist(gray) images.append(gray) labels.append(label) return images, np.array(labels), names X, y, class_names load_dataset(data/train) recognizer cv2.face.LBPHFaceRecognizer_create( radius1, # LBP鄰域半徑常用1或2 neighbors8, # 采樣點(diǎn)數(shù)8夠用越大越穩(wěn)健但細(xì)節(jié)丟失 grid_x8, # 橫向分格數(shù) grid_y8 # 縱向分格數(shù) ) recognizer.train(X, y) recognizer.save(models/lbph_model.yml) print(訓(xùn)練完成類(lèi)別, class_names)load_dataset里我按人名分文件夾每個(gè)文件夾是一個(gè)人不同姿態(tài)和光照的照片文件夾名就是身份標(biāo)簽這是畢設(shè)項(xiàng)目最省事的數(shù)據(jù)組織方式equalizeHist()這一行叫直方圖均衡化能把過(guò)暗或過(guò)亮的照片灰度分布拉開(kāi)有效降低光照變化對(duì)LBP特征的影響。LBPHFaceRecognizer_create的四個(gè)參數(shù)不需要刻意調(diào)得過(guò)細(xì)但論文里要有交代neighbors取4會(huì)太快太糙取16以上對(duì)噪聲更魯棒但容易丟失邊緣細(xì)節(jié)8是個(gè)平衡點(diǎn)grid_x/y8意味著圖像被切成64塊直方圖格子越多局部信息越精細(xì)但也越敏感訓(xùn)練照片本身不夠穩(wěn)反而會(huì)掉精度。再寫(xiě)識(shí)別與預(yù)測(cè)的推理端import cv2 import os model_path os.path.join(os.path.dirname(__file__), models, lbph_model.yml) recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(model_path) camera cv2.VideoCapture(0, cv2.CAP_DSHOW) detector cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) while True: ok, frame camera.read() if not ok: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces detector.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(100, 100) ) for (x, y, w, h) in faces: face cv2.resize(gray[y:yh, x:xw], (200, 200)) label, confidence recognizer.predict(face) if confidence 70: name class_names[label] else: name unknown cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) cv2.putText(frame, name, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imshow(face-recognition, frame) if cv2.waitKey(1) 0xFF ord(q): break camera.release() cv2.destroyAllWindows()重點(diǎn)說(shuō)confidence這個(gè)值。LBPH的predict()返回的是當(dāng)前人臉特征與訓(xùn)練樣本特征之間的距離分?jǐn)?shù)數(shù)值越小代表越接近。70這個(gè)閾值是我在常見(jiàn)室內(nèi)光照下的經(jīng)驗(yàn)值你可以用待測(cè)樣本打印出實(shí)際距離來(lái)調(diào)整識(shí)別Alice且經(jīng)常出現(xiàn)別的名字就把閾值往下壓正常身份經(jīng)常被標(biāo)成unknown就往上抬。detectMultiScale的三個(gè)檢測(cè)參數(shù)同樣要有數(shù)scaleFactor1.1表示每次縮放比例越小檢測(cè)越慢但越不易漏檢minNeighbors5表示至少5個(gè)鄰近框確認(rèn)才算一個(gè)有效人臉值太小誤檢多值太大漏檢多minSize(100,100)過(guò)濾掉距離遠(yuǎn)的小人臉?lè)勒`檢也省算力。3.3 用face_recognition做128維特征比對(duì)另一種更穩(wěn)的識(shí)別路線(xiàn)LBPH的問(wèn)題在于它對(duì)姿態(tài)和光照太過(guò)敏感同一個(gè)人的照片在戴眼鏡或不戴眼鏡之間距離波動(dòng)很大。如果畢設(shè)題目允許你用深度學(xué)習(xí)庫(kù)我建議加一個(gè)基于face_recognition的方案做橫向?qū)Ρ取莇lib的封裝用預(yù)訓(xùn)練的ResNet模型把每張人臉編碼成128維浮點(diǎn)向量再用向量的歐氏距離判定身份。這種方法論文里更好寫(xiě)實(shí)際識(shí)別也更穩(wěn)import face_recognition # 注冊(cè)照只取一張編碼一次 known_img face_recognition.load_image_file(data/face_db/alice.jpg) alice_code face_recognition.face_encodings(known_img)[0] # 測(cè)試圖可能有多張人臉 test_img face_recognition.load_image_file(data/test/lab_lunch.jpg) face_locs face_recognition.face_locations(test_img) face_codes face_recognition.face_encodings(test_img, face_locs) for code, loc in zip(face_codes, face_locs): distance face_recognition.face_distance([alice_code], code)[0] is_match distance 0.45 if is_match: print(f識(shí)別為Alice特征距離{distance:.3f})128維特征向量的業(yè)務(wù)邏輯很簡(jiǎn)單同一張臉在不同照片里的編碼距離小不同人的臉距離大。tolerance0.45是常用的閾值起點(diǎn)0.4以下偏嚴(yán)格0.5以上容易把不同的人認(rèn)成同一個(gè)。整個(gè)方案的工程量比LBPH小因?yàn)椴恍枰?xùn)練過(guò)程注冊(cè)照片放一張進(jìn)face_db就行適合“注冊(cè)-識(shí)別”的畢設(shè)演示場(chǎng)景。但有一點(diǎn)要在論文里說(shuō)清楚它依賴(lài)預(yù)訓(xùn)練權(quán)重不是你自己訓(xùn)練出來(lái)的模型理論上可以寫(xiě)“采用遷移學(xué)習(xí)方法”不能寫(xiě)成從零訓(xùn)練。4. 畢設(shè)避坑指南解壓、依賴(lài)、數(shù)據(jù)與演示的高頻踩坑記錄4.1 解壓層zip偽加密與invalid zip archive報(bào)錯(cuò)現(xiàn)象一用7-Zip或WinRAR打開(kāi)zip包提示需要密碼但資源頁(yè)面上沒(méi)給密碼問(wèn)學(xué)長(zhǎng)也說(shuō)不清。原因這類(lèi)文件大概率是被資源打包者用工具做了一次“zip偽加密”文件頭里的加密標(biāo)志位被改成了1實(shí)際內(nèi)容并沒(méi)有加密目的只是防在線(xiàn)解壓和批量轉(zhuǎn)發(fā)。解決用Python腳本把文件頭的加密標(biāo)志改回0重新存盤(pán)import struct def unzip_fake_encrypt(zip_path, out_path): with open(zip_path, rb) as f: data bytearray(f.read()) pos 0 count 0 while True: pos data.find(bPK\x01\x02, pos) if pos -1: break flag_offset pos 8 # 通用標(biāo)志位在中央目錄頭偏移8處 flags struct.unpack(H, data[flag_offset:flag_offset 2])[0] if flags 0x0001: data[flag_offset:flag_offset 2] struct.pack(H, flags ~0x0001) count 1 pos 4 with open(out_path, wb) as f: f.write(data) print(f修復(fù)了{(lán)count}個(gè)偽加密標(biāo)志) unzip_fake_encrypt(畢業(yè)設(shè)計(jì).zip, 畢業(yè)設(shè)計(jì)_fixed.zip)現(xiàn)象二解壓到一半提示“導(dǎo)入失敗caused by: invalid zip archive: could not find eocd”文件解壓不全。原因zip的中央目錄索引在文件末尾EOCD記錄缺失通常意味著文件被截?cái)噙^(guò)——網(wǎng)盤(pán)下載不完整或者中轉(zhuǎn)工具改過(guò)文件頭腳。解決先看文件大小和資源頁(yè)標(biāo)注對(duì)不對(duì)得上對(duì)不上就重新下載別浪費(fèi)時(shí)間找修復(fù)工具對(duì)得上再考慮用python -c import zipfile; zipfile.ZipFile(xxx.zip).testzip()做一次逐文件CRC校驗(yàn)找出具體損壞的是哪個(gè)文件單獨(dú)用網(wǎng)盤(pán)客戶(hù)端重新拉一次。提示偽加密只適用于本地解壓受阻的場(chǎng)景對(duì)在線(xiàn)網(wǎng)盤(pán)“預(yù)覽解壓”無(wú)效資源站不讓解壓的原因多半是版權(quán)過(guò)濾換個(gè)思路別在工具上死磕。4.2 依賴(lài)層opencv缺contrib與dlib編譯失敗現(xiàn)象運(yùn)行recognize.py報(bào)AttributeError: module cv2 has no attribute face。原因裝了opencv-python而不是opencv-contrib-python這兩個(gè)包共用cv2命名空間但后者才帶有cv2.face子模塊。解決卸載重裝順序很重要pip uninstall opencv-python opencv-contrib-python -y pip install opencv-contrib-python4.5.5.64版本號(hào)盡量對(duì)著項(xiàng)目requirements里寫(xiě)的主版本選4.5.x對(duì)Windows兼容性很好5.x的預(yù)編譯包在部分機(jī)器上會(huì)有API變化。裝完后再驗(yàn)證一次cv2.face能否導(dǎo)入。現(xiàn)象pip install dlib在Windows上報(bào)“CMake must be installed”、“error: Microsoft Visual C 14.0 is required”。原因dlib是C庫(kù)pip默認(rèn)走源碼編譯你必須先有編譯工具鏈。解決別硬編譯。到網(wǎng)上下載對(duì)應(yīng)Python版本的dlib預(yù)編譯wheel先pip install cmake再裝wheel若項(xiàng)目同時(shí)用到face_recognition用pip install face_recognition它會(huì)把dlib作為依賴(lài)一起處理有時(shí)反而更省事。如果兩者都失敗直接改代碼棄用dlib路徑轉(zhuǎn)到LBPH方案功能和論文體量都?jí)颉?.3 數(shù)據(jù)層樣本太少、光照不穩(wěn)、標(biāo)簽混亂現(xiàn)象訓(xùn)練出來(lái)的模型連本人測(cè)試都無(wú)法正確識(shí)別或者對(duì)陌生人給出很高的置信度。原因畢設(shè)項(xiàng)目最常見(jiàn)的數(shù)據(jù)問(wèn)題是每類(lèi)樣本只有5-10張而且這批照片是同一天、同一個(gè)位置、同一角度拍的模型學(xué)到的其實(shí)是光線(xiàn)和背景不是人臉特征。解決按我說(shuō)的標(biāo)準(zhǔn)重新采集數(shù)據(jù)每人30張以上分三組場(chǎng)景——正對(duì)鏡頭、左右各偏轉(zhuǎn)15度、變光照或者換戴眼鏡背景盡量單一露出全臉。照片用第2章的攝像頭腳本連續(xù)抓幀python capture_face.py --person alice --count 50 --output data/train/alice每抓完一個(gè)人看一眼文件夾里有沒(méi)有誤檢進(jìn)來(lái)的背景圖刪掉后再輪到下一個(gè)人。標(biāo)簽上文件夾名必須是英文或拼音中文名在sorted()排序和路徑拼接時(shí)容易出編碼問(wèn)題到識(shí)別顯示階段再用一個(gè)字典映射回中文顯示名。4.4 路徑層代碼在本機(jī)能跑換答辯機(jī)器就崩現(xiàn)象答辯時(shí)用的是教工電腦雙擊運(yùn)行腳本報(bào)FileNotFoundError: models/lbph_model.yml或者找不到haarcascade_frontalface_default.xml。原因代碼里寫(xiě)死了本機(jī)絕對(duì)路徑比如C:\Users\zhangsan\Desktop\face_project\models\lbph_model.yml換機(jī)器后路徑不存在前端檢測(cè)和后端識(shí)別全都起不來(lái)。解決統(tǒng)一改成基于腳本文件位置的相對(duì)路徑import os BASE_DIR os.path.dirname(os.path.abspath(__file__)) model_path os.path.join(BASE_DIR, models, lbph_model.yml) cascade_path os.path.join(BASE_DIR, data, haarcascade_frontalface_default.xml)這樣整個(gè)項(xiàng)目拷到任何目錄都能運(yùn)行。答辯前在U盤(pán)里解壓一份完整副本刪掉模型文件重新跑一遍訓(xùn)練確認(rèn)路徑在新環(huán)境下自洽。4.5 演示層攝像頭索引、權(quán)限和后臺(tái)占用現(xiàn)象答辯現(xiàn)場(chǎng)點(diǎn)運(yùn)行程序開(kāi)了窗口全是黑屏或者日志顯示攝像頭打不開(kāi)。原因筆記本內(nèi)置攝像頭被在線(xiàn)會(huì)議軟件占用USB攝像頭插在U3口但沒(méi)裝驅(qū)動(dòng)索引不是0或者OBS、錄屏軟件搶占視頻流。解決演示機(jī)上提前半小時(shí)做預(yù)檢第一步物理關(guān)閉所有可能用攝像頭或掠聲道的后臺(tái)軟件第二步把VideoCapture索引從0逐個(gè)試到2找到能出畫(huà)面的那個(gè)第三步實(shí)在沒(méi)畫(huà)面就把代碼切到圖片識(shí)別模式預(yù)先拷5張測(cè)試圖在本地文件夾先演示靜態(tài)識(shí)別再恢復(fù)攝像頭保底。5. 答辯前一周用評(píng)估數(shù)據(jù)和三個(gè)參數(shù)把系統(tǒng)做扎實(shí)5.1 用sklearn做量化評(píng)估把python數(shù)據(jù)分析與可視化的成果寫(xiě)進(jìn)論文大部分畢設(shè)只給個(gè)“識(shí)別成功”的截圖缺少量化指標(biāo)。答辯老師最常問(wèn)的問(wèn)題就是“準(zhǔn)確率多少、怎么測(cè)的”。我建議在答辯前花半天把測(cè)試集跑一遍輸出正式的評(píng)估數(shù)據(jù)from sklearn.metrics import classification_report, confusion_matrix import numpy as np # y_true是每張測(cè)試圖對(duì)應(yīng)的人工標(biāo)簽y_pred是識(shí)別結(jié)果 report classification_report(y_true, y_pred, target_namesclass_names) print(report) cm confusion_matrix(y_true, y_pred) print(混淆矩陣\n, cm)用matplotlib把混淆矩陣畫(huà)成熱力圖保存成PNG放進(jìn)論文“實(shí)驗(yàn)與分析”章節(jié)再把準(zhǔn)確率、精確率、召回率三行數(shù)據(jù)填到表格里比任何語(yǔ)言描述都有說(shuō)服力。5.2 三個(gè)參數(shù)讓演示更穩(wěn)置信閾值、幀率限制與識(shí)別冷卻答辯演示翻車(chē)整容房的概率低于判刑失誤只有一個(gè)位有效。我的經(jīng)驗(yàn)是三個(gè)參數(shù)調(diào)到合理范圍就不容易翻車(chē)一個(gè)是置信度閾值LBPH方案在70-80之間face_recognition方案在0.4-0.5之間寧可把陌生人標(biāo)成unknown也不要把別的同學(xué)認(rèn)成你二是處理幀率算法跑在CPU上時(shí)每處理5幀再丟4幀用time.sleep控制循環(huán)頻率幀率不至于掉到肉眼不可用三是識(shí)別冷卻連續(xù)3幀指向同一身份才輸出結(jié)果避免轉(zhuǎn)頭一晃就把旁邊同學(xué)的標(biāo)簽貼到自己臉上。這套處理邏輯演示效果非常穩(wěn)。5.3 人臉對(duì)齊與數(shù)據(jù)增強(qiáng)低成本提升LBPH魯棒性最后一招能給LBPH方案錦上添花。訓(xùn)練前做一次人臉對(duì)齊用Haar檢測(cè)到眼睛坐標(biāo)把圖片按角度旋轉(zhuǎn)使眼睛保持水平消除頭部?jī)A斜的影響然后用OpenCV做5°左右的小角度旋轉(zhuǎn)、水平翻轉(zhuǎn)、亮度調(diào)高調(diào)低把訓(xùn)練集擴(kuò)到原來(lái)的3-4倍。畢設(shè)除非題目明確要求不建議去調(diào)CNN結(jié)構(gòu)傳統(tǒng)方法加上對(duì)齊增強(qiáng)達(dá)到90%附近已經(jīng)是體面的成績(jī)了。這三年帶過(guò)的項(xiàng)目中凡是在答辯前做完這三步的人幾乎沒(méi)人被老師問(wèn)倒。我自己寫(xiě)人臉識(shí)別代碼也保留著一個(gè)習(xí)慣一件事只寫(xiě)成一張功能網(wǎng)易尺度先寫(xiě)預(yù)檢再寫(xiě)算法最后補(bǔ)評(píng)估永遠(yuǎn)不要順著“出效果炫酷”的順序走。希望這個(gè)順序也能幫到你。本文還有配套的精品資源點(diǎn)擊獲取