基于人脸识别的考勤记录项目

写在前面，通过小项目来驱动学习和实践是一种进步很快的方法，本文就是介绍一个基于人脸识别的考勤小项目(Python)。
项目学习自一位Youtuber。

1.前期知识

1）了解face_recognition库

首先，face_recognition是一个基于Python 的人脸识别库，它提供了一个命令行工具和大量的人脸识别相关的工具与方法，让你可以对图像进行人脸识别的操作。
其次，使用了dlib最先进的人脸识别技术构建而成并具有深度学习功能，该模型在Labeled Faces in the Wild基准中的准确率为99.38％。

1.人脸识别原理官方说明可参考：
https://face-recognition.readthedocs.io/en/latest/readme.html
2.face_recognition方法详解：
https://face-recognition.readthedocs.io/en/latest/face_recognition.html
3.使用Python的代码可参考：
https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning/

2）所用face_recognition的方法

1.face_locations（img，number_of_times_to_upsample = 1，model ='hog' ）
参数说明：

img：图像源(二维数组)
number_of_times_to_upsample = 1：对图像进行人脸向上采样的次数。数字越大，面孔越小。
model =‘hog’：使用hog模型

返回值

以css（上，右，下，左）顺序找到的脸部位置的元组列表

PS：
本项目只用到img参数。模型默认为“hog”，“ hog”准确性较差，但在CPU上速度较快。“ cnn”是经过GPU / CUDA加速（如果可用）的更准确的深度学习模型。默认值为“ hog”
2.face_encodings（face_image，known_face_locations = None，num_jitters = 1，model ='small' ）
参数说明：

face_img：可以为一个或者多个图像
known_face_locations ：可选-每张脸的边界框（如果您已经知道的话）
num_jitters –计算编码时对面部重新采样的次数。越高越准确，但越慢（即100慢100倍）
model =‘small’：可选-使用哪种模型。“大”或“小”（默认）仅返回5点，但速度更快。

返回值

一列128维人脸编码（图像中的每个人一个）

PS：
本项目只用到img参数。
3.compare_faces（known_face_encodings，face_encoding_to_check，tolerance = 0.6 ）
参数说明：

known_face_encodings：已知人脸编码列表
face_encoding_to_check ：与列表进行比较的单一面部编码
tolerance = 0.6：认为相匹配的面孔之间的距离有多大。越低越严格。0.6是典型的最佳性能。

返回值

真/假值列表，指示哪些known_face_encodings与面部编码匹配以进行检查

PS：
本项目默认容忍度为0.6，及大于0.6为匹配失败，小于0.6匹配成功，且注意known_face_encodings是列表形式
4.face_distance（face_encodings，face_to_compare ）
参数说明：

face_encodings ：要比较的面部编码列表
face_to_compare ：要比较的人脸编码

返回值

一个numpy ndarray，每个面的距离与“ faces”数组的顺序相同

PS：
给定面部编码列表，将其与已知的面部编码进行比较，并获得每个比较面部的欧几里得距离。距离告诉您面孔的相似程度。越小越匹配。

2.项目环境

系统：win10
编辑器：pycharm
版本：python3.9.1
所用库安装：
numpy ， dlib19.18 ，opencv-python, cmake,face-recognition

PS：
安装过程可能较慢，建议在管理储存库添加国内镜像：
http://pypi.douban.com/simple/

3.项目内容

1.学习运用人脸检测

人脸识别方框检测
step1：
在项目中建立ImagesBasic文件夹，里面存放若干已知图像和一张待检测图像：

step2：
代码(代码已给出详细注释,这里不再过多描述):

import cv2
import numpy as np
import face_recognition#step1
imgElon = face_recognition.load_image_file('ImagesBasic/Elon Musk.jpg')
imgElon = cv2.cvtColor(imgElon,cv2.COLOR_BGR2RGB)
imgTest = face_recognition.load_image_file('ImagesBasic/Bill gates.jpg')
imgTest = cv2.cvtColor(imgTest,cv2.COLOR_BGR2RGB)#step2
#人脸识别，用方框选中Elon
faceLoc = face_recognition.face_locations(imgElon)[0]  #获得图片中脸部方框的坐标(98, 366, 284, 180)（x1,y1,x2,y2）
encodeElon = face_recognition.face_encodings(imgElon)[0]
cv2.rectangle(imgElon,(faceLoc[3],faceLoc[0]),(faceLoc[1],faceLoc[2]),(255,0,255),2)
#print(faceLoc)
#人脸识别，用方框选中Test
faceLocTest = face_recognition.face_locations(imgTest)[0]
encodeTest = face_recognition.face_encodings(imgTest)[0]
cv2.rectangle(imgTest,(faceLocTest[3],faceLocTest[0]),(faceLocTest[1],faceLocTest[2]),(255,0,255),2)results = face_recognition.compare_faces([encodeElon],encodeTest) #比较两幅图相似性，如果是同一个人则返回[true],如果不是一个人返回[false]
faceDis = face_recognition.face_distance([encodeElon],encodeTest) #返回两个图像中的脸的距离
print(results,faceDis)
cv2.putText(imgTest,f'{results}{round(faceDis[0],2)}',(50,50),cv2.FONT_HERSHEY_COMPLEX,1,(0,0,255),2)#图片，添加的文字，左上角坐标，字体，字体大小，颜色，字体粗细 其中字体可以选择 FONT_HERSHEY_SIMPLEX,round(faceDis[0],2)代表保留两位
cv2.imshow('Elon Musk',imgElon)
cv2.imshow('Elon Test',imgTest)
cv2.waitKey(0)

效果如图：

2.基于人脸识别的考勤小项目

在如上学习的基础上可以完成此项目
step1：
在项目中建立ImagesAttendance文件夹，里面存放若干已知图像，建立一个Attendance.csv用于存放出勤姓名和时间。

step2：
首先，导入所需要用到的库：

import cv2
import numpy as np
import face_recognition
import os
from datetime import datetime

初始化图片序列，通过系统文件路径获得文件下的文件名和扩展文件名，分别存至：classNames和myList

path = 'ImagesAttendance'
images = []
classNames = []
myList = os.listdir(path) #获得ImagesAttendance下个文件的名字，存在myList下['Bill Gates.jpg', 'Elon Musk.jpg', 'Jack Ma.jpg']
print(myList)
for cl in myList:curImg = cv2.imread(f'{path}/{cl}')images.append(curImg)classNames.append(os.path.splitext(cl)[0]) #获得'Bill Gates'而不是‘Bill Gates.jpg’
print(classNames)  #输出了['Bill Gates', 'Elon Musk', 'Jack Ma']
#自定义一个找到images中各图像编码的函数，返回一个具有各个图像的编码的列表

效果展示：

然后自定义一个找到images中各图像编码的函数，返回一个具有各个图像的编码的列表：

def findEncodings(images):encodeList =[] #初始化图像编码空列表for img in images:img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)encode = face_recognition.face_encodings(img)[0]encodeList.append(encode)return encodeList
encodeListKnown = findEncodings(images)
#print(len(encodeListKnown)) #有三个编码3

自定义一个记录出勤名字和时间的函数，当某个人（name）出现，则，以name，time的形式记录在csv文件中：

def markAttendance(name):with open('Attendance.csv','r+') as f:myDataList = f.readlines()nameList = []for line in myDataList:entry = line.split(',') #entry=['name','time']#print(entry[0])nameList.append(entry[0])if name not in nameList:now = datetime.now()dtString =now.strftime('%H:%M:%S')f.writelines(f'\n{name},{dtString}')

或许网络摄像头逐帧读取：

cap = cv2.VideoCapture(0)
while True:success,img =cap.read()imgS = cv2.resize(img,(0,0),None,0.25,0.25)imgS = cv2.cvtColor(imgS,cv2.COLOR_BGR2RGB)facesCurFrame = face_recognition.face_locations(imgS) #获得当前帧的面部坐标encodesCurFrame = face_recognition.face_encodings(imgS,facesCurFrame) #获得图片坐标下的编码

从每一帧图像中与已知图像进行匹配人脸检测框选，并且标注上姓名：

    for encodeFace , faceLoc in zip(encodesCurFrame,facesCurFrame):matches = face_recognition.compare_faces(encodeListKnown,encodeFace)faceDis = face_recognition.face_distance(encodeListKnown,encodeFace)# print(faceDis) 显示匹配值matchIndex = np.argmin(faceDis) #matchIndex是获取faceDis最小的下标，即找到最匹配的那个图片的坐标#如果捕获的与图片是匹配的，输出所匹配图片的名字if matches[matchIndex]:name =classNames[matchIndex].upper()#print(name)y1,x2,y2,x1 =faceLocy1,x2,y2,x1 = y1*4,x2*4,y2*4,x1*4  ##之前的脸部坐标缩小了4倍，现在扩回来cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)cv2.rectangle(img,(x1,y2-35),(x2,y2),(0,255,0),cv2.FILLED)cv2.putText(img,name,(x1+6,y2-6),cv2.FONT_HERSHEY_COMPLEX,1,(255,255,255),2)markAttendance(name)

这样一个完整的考勤项目就完成了。
这里给出AttendanceProject.py完整代码：

import cv2
import numpy as np
import face_recognition
import os
from datetime import datetimepath = 'ImagesAttendance'
images = []
classNames = []
myList = os.listdir(path) #获得ImagesAttendance下个文件的名字，存在myList下['Bill Gates.jpg', 'Elon Musk.jpg', 'Jack Ma.jpg']
print(myList)
for cl in myList:curImg = cv2.imread(f'{path}/{cl}')images.append(curImg)classNames.append(os.path.splitext(cl)[0]) #获得'Bill Gates'而不是‘Bill Gates.jpg’
print(classNames)  #输出了['Bill Gates', 'Elon Musk', 'Jack Ma']
#自定义一个找到images中各图像编码的函数，返回一个具有各个图像的编码的列表
def findEncodings(images):encodeList =[] #初始化图像编码空列表for img in images:img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)encode = face_recognition.face_encodings(img)[0]encodeList.append(encode)return encodeList#自定义一个记录出勤名字和时间的函数，当某个人（name）出现，则，以name，time的形式记录在csv文件中
def markAttendance(name):with open('Attendance.csv','r+') as f:myDataList = f.readlines()nameList = []for line in myDataList:entry = line.split(',') #entry=['name','time']#print(entry[0])nameList.append(entry[0])if name not in nameList:now = datetime.now()dtString =now.strftime('%H:%M:%S')f.writelines(f'\n{name},{dtString}')
encodeListKnown = findEncodings(images)
#print(len(encodeListKnown)) #有三个编码3print('Encoding Complete')
#从镜头捕获照片
cap = cv2.VideoCapture(0)while True:success,img =cap.read()imgS = cv2.resize(img,(0,0),None,0.25,0.25)imgS = cv2.cvtColor(imgS,cv2.COLOR_BGR2RGB)facesCurFrame = face_recognition.face_locations(imgS) #获得当前帧的面部坐标encodesCurFrame = face_recognition.face_encodings(imgS,facesCurFrame) #获得图片坐标下的编码for encodeFace , faceLoc in zip(encodesCurFrame,facesCurFrame):matches = face_recognition.compare_faces(encodeListKnown,encodeFace)faceDis = face_recognition.face_distance(encodeListKnown,encodeFace)# print(faceDis) 显示匹配值matchIndex = np.argmin(faceDis) #matchIndex是获取faceDis最小的下标，即找到最匹配的那个图片的坐标#如果捕获的与图片是匹配的，输出所匹配图片的名字if matches[matchIndex]:name =classNames[matchIndex].upper()#print(name)y1,x2,y2,x1 =faceLocy1,x2,y2,x1 = y1*4,x2*4,y2*4,x1*4  ##之前的脸部坐标缩小了4倍，现在扩回来cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)cv2.rectangle(img,(x1,y2-35),(x2,y2),(0,255,0),cv2.FILLED)cv2.putText(img,name,(x1+6,y2-6),cv2.FONT_HERSHEY_COMPLEX,1,(255,255,255),2)markAttendance(name)cv2.imshow('Wecam',img)cv2.waitKey(1)

效果展示：
检测人脸

考勤文件：

参考文献：
1.https://face-recognition.readthedocs.io/en/latest/face_recognition.html
2.https://face-recognition.readthedocs.io/en/latest/readme.html
3.https://www.jb51.net/article/182659.htm
4.https://www.cnblogs.com/wjw1014/p/10259180.html