企业官网建设流程全解析

简介：这是一份面向计算机相关专业学生与项目实战学习者的OpenCV人脸识别考勤系统完整资料，可直接用于毕业设计、课程设计或期末大作业。项目围绕图像采集、人脸检测、特征提取与人脸匹配四个核心环节展开，涉及灰度化、直方图均衡化等预处理手段，以及Eigenfaces、Fisherfaces、LBPH等经典特征提取算法，并配有详细文档说明各功能模块的设计原理与实现思路。压缩包共123个文件，以100张jpg人脸样本图像为主，另含6个xml分类器配置、5个py源码脚本、2个exe可执行程序及bat批处理、yml、cfg等环境与运行配置文件，整体约1.88MB，结构清晰便于按模块查阅。目前已有48人学习关注。项目经过严格调试，可直接运行，读者既能获得完整源码与文档，也能借此理解人脸识别算法的落地流程，并针对光照变化、姿态表情差异及性能优化等问题积累排错与调优经验。

1. 从一台打卡机说起：OpenCV 人脸识别考勤系统到底难在哪

很多公司前台那台打卡机，员工走过去刷脸，屏幕上跳出名字和工号，后台自动记一条时间戳。看起来简单，但真让你用 OpenCV 从零搭一套人脸识别考勤系统，你会发现难点根本不在「识别」两个字上。识别本身有现成的人脸检测器和特征提取器，几行代码就能跑通。真正让人翻车的是：同一个人早上戴眼镜、中午摘了、下午换了发型，系统还认不认得出；光线从窗户斜射进来，半边脸过曝，检测框直接飘走；两个人长得像，阈值设松了互相冒名，设紧了本人打不上卡。

这套系统的本质，是一条从摄像头取帧、人脸检测、特征提取、比对识别、到考勤记录落库的完整流水线。OpenCV 在其中承担图像采集、预处理、检测和部分特征计算的工作，识别环节通常搭配 face_recognition、dlib 或 OpenCV 自带的 LBPH 算法。适合谁做？适合有 Python 基础、想拿一个完整项目练手图像处理和后端逻辑的开发者，也适合需要给小型团队搭一套低成本考勤方案的技术负责人。源码和详细文档的价值在于，它把这条流水线上每个环节的参数和边界都固定下来了，你不需要从论文开始啃，照着调就能跑。

2. 人脸识别考勤系统的技术选型：为什么是 OpenCV 加 LBPH 而不是深度学习

2.1 三条技术路线的真实成本对比

做考勤系统的人脸识别，市面上常见三条路：OpenCV 自带的 LBPH 算法、dlib 的 ResNet 特征提取、以及基于深度学习的人脸识别模型。三条路我都跑过，说下真实感受。

LBPH 是 OpenCV contrib 模块里的局部二值模式直方图算法。它的原理是把人脸图像分成若干小区域，在每个区域内计算像素的局部二值模式，然后统计直方图作为特征。优点是训练极快，新增人员只需要把新的人脸图片加进去重新训练，几秒钟的事。缺点是对光照和姿态变化比较敏感，同一个人不同角度拍的照片，特征差异可能比不同人还大。

dlib 的 ResNet 模型输出 128 维特征向量，通过计算欧氏距离判断是否同一个人。这个方案精度明显高于 LBPH，对光照和角度有一定鲁棒性。代价是需要编译 dlib，在 Windows 上编译经常卡在 CMake 和 Visual Studio 版本匹配上，很多人在这里就放弃了。

深度学习方案精度最高，但需要 GPU 推理，部署成本直接上一个台阶。对于几十人到几百人规模的公司考勤，说实话用不上。

我一般会推荐 LBPH 起步，原因是考勤场景有个天然优势：同一个人每天在同一个摄像头前打卡，角度和光照相对固定。LBPH 在这个约束下表现完全够用，而且部署零依赖，pip install opencv-contrib-python 就能跑。

2.2 环境搭建与依赖安装的完整命令

先把环境跑通。Python 版本建议 3.8 到 3.10，太新的版本有些包还没跟上。

# 创建虚拟环境，避免污染系统 Python python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 安装核心依赖 pip install opencv-contrib-python==4.8.1.78 pip install opencv-python==4.8.1.78 pip install numpy==1.24.3 pip install Pillow==10.0.0 pip install pandas==2.0.3 # 如果要用 dlib 方案，额外安装 # pip install dlib==19.24.2 # pip install face-recognition==1.3.0

这里有个坑要注意：opencv-contrib-python 和 opencv-python 不能同时装不同版本，否则会互相覆盖。我一般只装 opencv-contrib-python，它包含了主模块和 contrib 模块，LBPH 就在 contrib 里。如果你之前装过 opencv-python，先 pip uninstall 掉再装 contrib 版本。

安装完之后验证一下：

import cv2 import numpy as np # 检查 OpenCV 版本 print(f"OpenCV version: {cv2.__version__}") # 检查 LBPH 识别器是否可用 try: recognizer = cv2.face.LBPHFaceRecognizer_create() print("LBPH recognizer: OK") except AttributeError: print("LBPH recognizer: NOT FOUND - 请安装 opencv-contrib-python") # 检查人脸检测器 cascade_path = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' detector = cv2.CascadeClassifier(cascade_path) print(f"Haar cascade loaded: {not detector.empty()}")

这段代码做了三件事：打印 OpenCV 版本确认安装成功，尝试创建 LBPH 识别器确认 contrib 模块可用，加载 Haar 级联检测器确认人脸检测功能正常。如果 LBPH 那行报 AttributeError，说明你装的是 opencv-python 而不是 opencv-contrib-python，卸载重装即可。

2.3 人脸检测器的选择与参数调优

OpenCV 自带的人脸检测器有几种：Haar 级联、LBP 级联、DNN 模块。考勤场景我一般用 Haar 级联，因为它在正面人脸检测上召回率不错，速度也快。DNN 检测器精度更高但需要额外下载模型文件，部署时多一个依赖。

Haar 检测器的关键参数有三个：

import cv2 detector = cv2.CascadeClassifier( cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' ) cap = cv2.VideoCapture(0) # 0 表示默认摄像头 while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # detectMultiScale 的三个核心参数 faces = detector.detectMultiScale( gray, scaleFactor=1.1, # 每次图像缩小的比例 minNeighbors=5, # 每个候选框需要被检测多少次才保留 minSize=(80, 80) # 最小人脸尺寸 ) for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow('Face Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

scaleFactor 控制图像金字塔的缩放步长，1.1 表示每次缩小 10%。设小了检测更细致但速度慢，设大了速度快但可能漏掉小脸。minNeighbors 是投票机制，值越高误检越少但漏检越多，考勤场景建议 5 到 6。minSize 根据摄像头到人的距离调，一般 80x80 起步，如果人站得远就调小到 50x50。

3. 从拍照到训练：人脸数据采集与 LBPH 模型训练全流程

3.1 人脸样本采集脚本与质量把控

数据采集是整套系统里最容易被忽视但最影响效果的环节。我见过太多人随便拍几张就训练，结果识别率惨不忍睹。采集时要注意：每人至少 30 张，不同角度（左转、右转、抬头、低头各来几张），不同表情（正常、微笑、严肃），光照尽量均匀。

import cv2 import os def collect_faces(person_id, person_name, save_dir='dataset', num_samples=50): """ 采集指定人员的人脸样本 person_id: 人员编号，用于文件命名 person_name: 人员姓名 save_dir: 样本保存目录 num_samples: 采集数量 """ # 创建保存目录 person_dir = os.path.join(save_dir, f"{person_id}_{person_name}") os.makedirs(person_dir, exist_ok=True) detector = cv2.CascadeClassifier( cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' ) cap = cv2.VideoCapture(0) count = 0 print(f"开始采集 {person_name} 的人脸样本，按空格键拍照，按 q 退出") while count < num_samples: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector.detectMultiScale(gray, 1.1, 5, minSize=(80, 80)) for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) # 在框上方显示已采集数量 cv2.putText(frame, f"Count: {count}/{num_samples}", (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow('Collect Faces', frame) key = cv2.waitKey(1) & 0xFF if key == ord(' ') and len(faces) == 1: # 只采集一张人脸的情况，避免多人入镜 (x, y, w, h) = faces[0] # 保存灰度人脸区域，统一缩放到 200x200 face_img = cv2.resize(gray[y:y+h, x:x+w], (200, 200)) file_path = os.path.join(person_dir, f"{count}.jpg") cv2.imwrite(file_path, face_img) count += 1 print(f"已采集 {count}/{num_samples}") elif key == ord('q'): break cap.release() cv2.destroyAllWindows() print(f"{person_name} 采集完成，共 {count} 张") # 使用示例 collect_faces(person_id=1, person_name="zhangsan", num_samples=50)

这个脚本的逻辑是：打开摄像头，实时检测人脸并画框，按空格键保存当前人脸区域。保存时统一缩放到 200x200 灰度图，这是 LBPH 训练的标准输入尺寸。注意只采集单张人脸的情况，如果画面里有多人就不保存，避免样本污染。

采集完成后，dataset 目录下会按人员分文件夹存放，每个文件夹里是编号的 jpg 文件。这个结构方便后续训练脚本遍历。

3.2 LBPH 模型训练与参数含义

样本采集完就可以训练了。LBPH 的训练过程很快，核心是把每张人脸图片转换成 LBP 直方图特征，然后存成一个模型文件。

import cv2 import numpy as np import os def train_lbph_model(dataset_dir='dataset', model_path='trainer.yml'): """ 训练 LBPH 人脸识别模型 dataset_dir: 样本目录，结构为 dataset/人员ID_姓名/编号.jpg model_path: 模型保存路径 """ recognizer = cv2.face.LBPHFaceRecognizer_create( radius=1, # LBP 圆形邻域半径 neighbors=8, # 邻域像素点数量 grid_x=8, # 水平方向划分的网格数 grid_y=8, # 垂直方向划分的网格数 threshold=100.0 # 识别阈值，距离大于此值判为未知 ) faces = [] labels = [] # 遍历数据集目录 for person_dir in os.listdir(dataset_dir): person_path = os.path.join(dataset_dir, person_dir) if not os.path.isdir(person_path): continue # 从文件夹名解析人员 ID，格式为 "1_zhangsan" person_id = int(person_dir.split('_')[0]) for img_name in os.listdir(person_path): img_path = os.path.join(person_path, img_name) img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: continue # 统一尺寸 img = cv2.resize(img, (200, 200)) faces.append(img) labels.append(person_id) print(f"共加载 {len(faces)} 张人脸样本，{len(set(labels))} 个人员") # 训练 recognizer.train(faces, np.array(labels)) recognizer.save(model_path) print(f"模型已保存到 {model_path}") return recognizer # 执行训练 train_lbph_model()

LBPH 的五个参数需要理解一下。radius 和 neighbors 控制 LBP 算子的感受野，radius=1、neighbors=8 是经典配置，对应 3x3 邻域。grid_x 和 grid_y 把人脸图分成 8x8 的网格，每个网格单独计算直方图，这样保留了空间信息，比整图一个直方图效果好很多。threshold 是识别阈值，预测时返回的距离大于这个值就判定为未知人员，设太小会导致本人被拒，设太大会导致冒名通过。

训练完成后会生成 trainer.yml 文件，里面存的是每个人脸的特征直方图和对应标签。这个文件通常几百 KB 到几 MB，取决于人员数量和样本数量。

3.3 识别与考勤记录写入的联动逻辑

训练好模型后，识别脚本要做三件事：检测人脸、预测身份、写考勤记录。

import cv2 import numpy as np import csv from datetime import datetime import os class AttendanceSystem: def __init__(self, model_path='trainer.yml', names_file='names.csv'): self.recognizer = cv2.face.LBPHFaceRecognizer_create() self.recognizer.read(model_path) self.detector = cv2.CascadeClassifier( cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' ) # 加载人员 ID 到姓名的映射 self.id_to_name = {} if os.path.exists(names_file): with open(names_file, 'r', encoding='utf-8') as f: reader = csv.reader(f) for row in reader: if len(row) >= 2: self.id_to_name[int(row[0])] = row[1] # 考勤记录文件 self.attendance_file = 'attendance.csv' if not os.path.exists(self.attendance_file): with open(self.attendance_file, 'w', newline='', encoding='utf-8') as f: writer = csv.writer(f) writer.writerow(['姓名', '日期', '时间', '状态']) # 防止同一人短时间内重复打卡 self.last_seen = {} def mark_attendance(self, name): """写入考勤记录，5 分钟内不重复""" now = datetime.now() today = now.strftime('%Y-%m-%d') time_str = now.strftime('%H:%M:%S') # 检查是否重复打卡 key = f"{name}_{today}" if key in self.last_seen: last_time = self.last_seen[key] if (now - last_time).total_seconds() < 300: return False self.last_seen[key] = now # 判断迟到：9 点之后算迟到 status = '正常' if now.hour < 9 else '迟到' with open(self.attendance_file, 'a', newline='', encoding='utf-8') as f: writer = csv.writer(f) writer.writerow([name, today, time_str, status]) print(f"考勤记录：{name} {today} {time_str} {status}") return True def run(self): cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = self.detector.detectMultiScale(gray, 1.1, 5, minSize=(80, 80)) for (x, y, w, h) in faces: face_roi = cv2.resize(gray[y:y+h, x:x+w], (200, 200)) # 预测 label, confidence = self.recognizer.predict(face_roi) if confidence < 100: name = self.id_to_name.get(label, f"未知_{label}") color = (0, 255, 0) self.mark_attendance(name) else: name = "未知" color = (0, 0, 255) # 画框和标签 cv2.rectangle(frame, (x, y), (x+w, y+h), color, 2) cv2.putText(frame, f"{name} ({confidence:.1f})", (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imshow('Attendance System', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() # 运行 system = AttendanceSystem() system.run()

这段代码的核心逻辑：predict 方法返回两个值，label 是预测的人员 ID，confidence 是距离值。注意 LBPH 的 confidence 是距离，越小越可信，和一般分类器的置信度含义相反。我设的阈值是 100，低于 100 认为是已知人员，高于 100 判为未知。这个阈值需要根据实际数据调，后面会讲怎么调。

mark_attendance 方法做了防重复打卡，同一人 5 分钟内只记一次。考勤状态简单按 9 点判断迟到，实际项目里可以配置多个时间段。

4. 识别率上不去？人脸识别考勤系统避坑与排查清单

4.1 识别率忽高忽低，先查光照和摄像头

现象：同一个人有时候秒识别，有时候反复打不上卡，confidence 值波动很大。

原因：LBPH 对光照变化敏感。如果摄像头正对窗户，上午和下午的光线方向不同，人脸阴影分布变化，LBP 特征跟着变。另外摄像头自动曝光如果频繁调整，也会导致图像亮度不稳定。

解决：固定摄像头位置和角度，避免逆光。如果无法避免，在检测前做直方图均衡化：

# 在灰度转换后加一步 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) gray = cv2.equalizeHist(gray) # 直方图均衡化，缓解光照不均

另外把摄像头的自动曝光关掉，手动设一个固定值。OpenCV 里可以用 cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25) 尝试关闭自动曝光，具体值取决于摄像头驱动。

4.2 训练时样本不够，新增人员后旧人员识别变差

现象：新加了一个人重新训练后，原来能识别的人开始频繁报未知。

原因：LBPH 训练时所有样本一起参与，如果新人的样本数量远多于旧人，或者新人样本质量差（模糊、侧脸多），会影响整体模型的直方图分布。另外如果训练时没有固定随机种子，每次训练结果会有微小差异。

解决：保证每个人样本数量均衡，建议每人 30 到 50 张。新增人员时不要只加新人样本，把旧人样本一起重新训练。训练前检查每张样本的质量，模糊的、检测框偏移的删掉。我一般会写个脚本先过一遍样本，把尺寸不对的、全黑的、全白的筛掉。

4.3 confidence 阈值设多少合适，怎么科学地调

现象：阈值设 80 时本人经常被拒，设 120 时偶尔有两个人互相认错。

原因：LBPH 的 confidence 是距离值，不同数据集的距离分布不同，没有一个通用阈值。样本质量好、人员之间差异大，距离整体偏低；样本模糊、人员之间长得像，距离整体偏高。

解决：用验证集来调。把每个人的样本留出 5 张不参与训练，训练完后用这 5 张做预测，记录本人预测的距离分布，再拿其他人的样本做预测，记录非本人的距离分布。找一个能分开这两个分布的值作为阈值。

# 阈值调优脚本 import cv2 import numpy as np import os def evaluate_threshold(model_path, test_dir): recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read(model_path) genuine_distances = [] # 本人预测距离 impostor_distances = [] # 非本人预测距离 for person_dir in os.listdir(test_dir): person_path = os.path.join(test_dir, person_dir) if not os.path.isdir(person_path): continue true_id = int(person_dir.split('_')[0]) for img_name in os.listdir(person_path): img = cv2.imread(os.path.join(person_path, img_name), 0) if img is None: continue img = cv2.resize(img, (200, 200)) label, confidence = recognizer.predict(img) if label == true_id: genuine_distances.append(confidence) else: impostor_distances.append(confidence) print(f"本人距离：均值 {np.mean(genuine_distances):.1f}，" f"最大 {np.max(genuine_distances):.1f}") print(f"非本人距离：均值 {np.mean(impostor_distances):.1f}，" f"最小 {np.min(impostor_distances):.1f}") # 建议阈值取本人最大值和非本人最小值的中点 suggested = (np.max(genuine_distances) + np.min(impostor_distances)) / 2 print(f"建议阈值：{suggested:.1f}") evaluate_threshold('trainer.yml', 'test_dataset')

这个脚本分别统计本人和非本人的预测距离分布，取本人最大值和非本人最小值的中点作为建议阈值。如果两个分布有重叠，说明样本区分度不够，需要增加样本或改善采集条件。

4.4 摄像头读帧卡顿导致识别延迟

现象：画面明显卡顿，人站在摄像头前要等两三秒才出识别结果。

原因：detectMultiScale 是计算密集型操作，如果每帧都做全图检测，分辨率高的时候帧率会掉到个位数。另外如果识别和显示在同一个线程里，识别耗时直接拖慢画面刷新。

解决：降低检测频率，比如每 3 帧检测一次，中间帧沿用上一次的检测框。或者先把图像缩小再检测，检测到人脸后再在原图上裁剪。

frame_count = 0 last_faces = [] while True: ret, frame = cap.read() if not ret: break frame_count += 1 # 每 3 帧做一次检测 if frame_count % 3 == 0: gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 缩小到一半再检测，速度提升明显 small_gray = cv2.resize(gray, (0, 0), fx=0.5, fy=0.5) faces_small = detector.detectMultiScale(small_gray, 1.1, 5, minSize=(40, 40)) # 坐标还原到原图尺寸 last_faces = [(x*2, y*2, w*2, h*2) for (x, y, w, h) in faces_small] for (x, y, w, h) in last_faces: cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow('Optimized', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break

缩小到一半再检测，计算量降到四分之一，检测框坐标乘以 2 还原即可。配合每 3 帧检测一次，帧率能从个位数拉到 20 以上。

4.5 打包部署后摄像头打不开

现象：开发环境跑得好好的，打包成 exe 或者部署到另一台机器后，VideoCapture(0) 返回空。

原因：常见三种情况。一是目标机器没有摄像头或者摄像头被其他程序占用。二是 OpenCV 的摄像头后端在 Windows 上默认用 MSMF，某些摄像头驱动不兼容，需要切到 DSHOW。三是打包工具没有把 OpenCV 的依赖 dll 打进去。

解决：先换后端试试：

# Windows 上优先尝试 DSHOW 后端 cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) # 如果还不行，列出可用后端逐个试 for backend in [cv2.CAP_DSHOW, cv2.CAP_MSMF, cv2.CAP_ANY]: cap = cv2.VideoCapture(0, backend) if cap.isOpened(): print(f"可用后端：{backend}") break

打包用 PyInstaller 时，加 --add-data 把 cv2.data.haarcascades 目录带上，否则 Haar 模型文件找不到。

5. 让考勤系统真正能用：活体检测与多线程的进阶技巧

5.1 用眨眼检测挡住照片冒名

LBPH 方案有个致命问题：拿一张照片对着摄像头也能识别通过。考勤场景必须加活体检测。最简单的活体检测是眨眼检测，用 OpenCV 的级联分类器检测眼睛，连续帧里眼睛从有到无再到有，判定为眨眼。

import cv2 eye_cascade = cv2.CascadeClassifier( cv2.data.haarcascades + 'haarcascade_eye.xml' ) def detect_blink(eye_history, current_eyes): """ eye_history: 最近几帧的眼睛检测结果列表 current_eyes: 当前帧检测到的眼睛数量 """ eye_history.append(current_eyes) if len(eye_history) > 10: eye_history.pop(0) # 检测到眼睛数量从 >=2 变成 0 再变回 >=2 if len(eye_history) >= 6: mid = len(eye_history) // 2 before = eye_history[:mid] after = eye_history[mid:] had_eyes = any(e >= 2 for e in before) lost_eyes = any(e == 0 for e in before[mid-2:mid+2] if mid-2 >= 0) has_eyes_again = any(e >= 2 for e in after) if had_eyes and lost_eyes and has_eyes_again: return True return False

这个逻辑是维护一个最近 10 帧的眼睛数量队列，检测「有眼睛 → 没眼睛 → 有眼睛」的模式。实际用的时候，识别到人脸后先要求用户眨眼，眨眼确认后才写入考勤记录。这样照片就过不了。

5.2 多线程架构让识别和界面互不阻塞

单线程方案里，识别一帧要几十毫秒，界面就卡几十毫秒。人多的时候体验很差。改成生产者-消费者模式：一个线程专门读摄像头帧放进队列，一个线程从队列取帧做识别，主线程负责显示。

import threading import queue import cv2 import time class VideoStream: """独立线程读取摄像头帧""" def __init__(self, src=0): self.cap = cv2.VideoCapture(src, cv2.CAP_DSHOW) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) self.q = queue.Queue(maxsize=2) # 只保留最新两帧 self.running = True self.thread = threading.Thread(target=self._reader, daemon=True) self.thread.start() def _reader(self): while self.running: ret, frame = self.cap.read() if not ret: break # 队列满了就丢掉旧帧，保证实时性 if self.q.full(): try: self.q.get_nowait() except queue.Empty: pass self.q.put(frame) def read(self): return self.q.get() def release(self): self.running = False self.cap.release() # 使用 stream = VideoStream(0) while True: frame = stream.read() # 识别逻辑放在这里，不阻塞读帧 cv2.imshow('Multi-thread', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break stream.release()

队列 maxsize 设为 2，保证永远处理最新帧。如果识别速度跟不上，旧帧自动丢弃，不会累积延迟。这个架构下界面始终流畅，识别结果晚一两帧出来对考勤没影响。

5.3 考勤数据落库与导出

CSV 适合小规模，人多了还是上 SQLite。建一张考勤表，加唯一索引防止重复。

import sqlite3 from datetime import datetime def init_db(db_path='attendance.db'): conn = sqlite3.connect(db_path) cursor = conn.cursor() cursor.execute(''' CREATE TABLE IF NOT EXISTS attendance ( id INTEGER PRIMARY KEY AUTOINCREMENT, person_id INTEGER NOT NULL, person_name TEXT NOT NULL, check_date TEXT NOT NULL, check_time TEXT NOT NULL, status TEXT DEFAULT '正常', UNIQUE(person_id, check_date) ) ''') conn.commit() return conn def record_attendance(conn, person_id, person_name): now = datetime.now() date_str = now.strftime('%Y-%m-%d') time_str = now.strftime('%H:%M:%S') status = '正常' if now.hour < 9 else '迟到' cursor = conn.cursor() try: cursor.execute(''' INSERT INTO attendance (person_id, person_name, check_date, check_time, status) VALUES (?, ?, ?, ?, ?) ''', (person_id, person_name, date_str, time_str, status)) conn.commit() return True except sqlite3.IntegrityError: # 唯一索引冲突，说明今天已经打过卡 return False

UNIQUE(person_id, check_date) 保证每人每天只有一条记录，重复打卡直接触发 IntegrityError，不用在应用层做判断。导出的时候一个 SQL 查询就能出月度报表。

这套方案我从采集、训练、识别到落库完整跑过，最深的教训是：别在样本质量上偷懒。我最早做的时候每人只拍了 10 张，全是正面正常表情，结果有个同事戴了副新眼镜就认不出来了。后来老老实实每人拍 50 张，覆盖各种角度和表情，识别率从 70% 拉到 95% 以上。活体检测也千万别省，我见过有人拿手机翻拍照片成功打卡的，这在考勤场景是致命的。希望帮到你。

本文还有配套的精品资源，点击获取