Python基于Django的人脸识别的上课考勤系统

博主介绍：✌程序员徐师兄、7年大厂程序员经历。全网粉丝12w+、csdn博客专家、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和毕业项目实战✌

🍅文末获取源码联系🍅

👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到哟

2022-2024年最全的计算机软件毕业设计选题大全：1000个热门选题推荐✅
Java项目精品实战案例《100套》
Java微信小程序项目实战《100套》

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及文档编写等相关问题都可以给我留言咨询，希望帮助更多的人

1 简介
2 技术栈
3 人脸识别关键技术说明
- face_recognition函数介绍
- 一、face_recognition安装
  - 1.dlib安装：
  - 2.face_recognition安装：
4 具体实现
推荐阅读

1 简介

Python基于Django的人脸识别的上课考勤系统，是基于 Python 开发的，采用 dlib,face_recognition 识别技术，可以准确识别人脸。该项目功能完整，实用性较强。包括登陆注册、考勤签到、打卡，用户管理等功能。适合大学生实战项目使用。可供毕业设计参考。

2 技术栈

技术栈	说明	备注
Djaongo	作为后端接口	Django 文档 Django 创建第一个项目
PyMySQL	链接 mysql	【Python-数据分析】如何使用 pandas 快速读取 MySQL 数据表？
html/js/css	前端界面
dlib,face_recognition	人脸识别技术

3 人脸识别关键技术说明

face_recognition是一款免费、开源、实时、离线的Python人脸识别库，是目前世界上最简洁的人脸识别库。

face_recognition是基于业内领先的C++开源库dlib中的深度学习模型，用人脸数据集进行测试，有高达99.38%的准确率。因此，安装face_recognition前需要安装dlib库。

face_recognition函数介绍

face_recognition做为目前最简单的人脸识别库（网站：https://github.com/ageitgey/face_recognition/），两行代码即可实现人脸识别：

import face_recognition
image = face_recognition.load_image_file("face.jpg")
face_locations = face_recognition.face_locations(image)
face_locations为（顶部、右侧、底部、左侧）顺序找到的人脸位置的元组列表

face_recognition API 文档：https://face-recognition.readthedocs.io/en/latest/face_recognition.html

face_recognition只有几个函数：

face_recognition.load_image_file(file,mode=’RGB’)
加载图像，mode – "RGB"（8 位 RGB，3 个通道）或 "L"（黑白）

face_recognition.face_locations(img,number_of_times_to_upsample=1,model=’hog’)
返回图像中每张人脸的人脸特征位置列表；
number_of_times_to_upsample – 对图像进行多少次上采样以查找人脸。数字越大，人脸越小；
model – "hog"不太准确，但在CPU上更快。"cnn"是GPU / CUDA加速的一个更准确的深度学习模型。

face_recognition.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)
使用 cnn 人脸检测器批量识别图像中人脸边界框的 2D 数组。没有 GPU，则不需要此功能。
number_of_times_to_upsample – 对图像进行多少次上采样以查找人脸。数字越大，人脸越小。
batch_size – 每个 GPU 处理批处理中要包含的图像数。
注意：batch_size的上线取决于GPU显存的大小；如果GPU显存小，则减小batch_size值。

face_recognition.face_landmarks(face_image, face_locations=None, model=’large’)
返回图像中每张人脸的人脸特征位置（眼睛、鼻子等）的字典。
face_locations – （可选）提供要检查的人脸位置列表。
model – “large” (默认) 或 “small”仅返回5个点，但速度更快。

face_recognition.face_encodings(face_image, known_face_locations=None, num_jitters=1, model=’small’)
返回图像中每张人脸的 128 维人脸编码。
known_face_locations – 可选 – 每个面孔的边界框（如果已经知道它们）。
num_jitters – 计算编码时重新采样人脸的次数。越高越准确，但速度越慢（即 100 表示慢 100 倍）。
model – “large” (默认) 或 “small”仅返回5个点，但速度更快。

face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
将人脸编码列表与候选编码进行比较，以查看它们是否匹配。
known_face_encodings – 已知人脸编码的列表
face_encoding_to_check – 与列表进行比较的单张脸编码
tolerance – 将人脸之间的距离视为匹配。越低越严格。0.6 是典型的最佳值。

face_recognition.face_distance(face_encodings, face_to_compare)
给定人脸编码列表，将它们与已知的人脸编码进行比较，并得到每个比较人脸的欧氏距离。距离大小为面孔的相似程度。
face_encodings – 要比较的人脸编码列表
face_to_compare – 要与之进行比较的人脸编码

一、face_recognition安装

1.dlib安装：

CPU版：

CPU安装很简单pip3 install dlib

GPU版：

GPU版比CPU版速度快精度高、建议安装使用GPU版，但是GPU安装过程复杂

首先，需要正确安装CUDA和CUDNN，CUDA、CUDNN是必须要安装的（本人安装的是CUDA11.3）

另外，还需要VS编译环境（本人安装的VS2019）和CMake（pip3 install cmake）

之后就是dlib GPU版的编译和安装（cmd命令行操作）：

1.git clone https://github.com/davisking/dlib.git 或者 dlib C++ Library下载dlib库，解压后离线编译
2.cd dlib
3.mkdir build
4.cd build
5.cmake .. -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1
6.cmake --build .
7.cd..
8.python setup.py install