简介基于Python、OpenCV与Django框架实现的人脸识别系统源码是一份面向高校课程设计场景的完整项目适合计算机、软件工程等专业学生通过实际代码掌握人脸检测、识别以及Web端交互的完整开发流程。该项目已获导师指导并通过属于97分高分的课程设计大作业代码完整、可直接下载运行便于二次修改与答辩展示。压缩包共130个文件包含19个Python源码、41个编译生成的pyc文件、35张PNG图片、30张JPEG图片以及SQLite数据库、TensorFlow模型文件pb、data-00000/00001、index等整体约22.62MB。其中图片多用于人脸样本、界面展示与效果示意pb及data文件支撑人脸识别推理SQLite负责人员信息持久化整体目录划分清晰方便逐模块定位学习。目前该资源已有882人学习下载热度表现良好。通过源码实践读者可以掌握OpenCV图像处理、人脸检测与特征提取、Django框架集成、模型加载调用、数据入库与前端展示等关键技能同时获得一套可直接演示答辩的界面素材、模型配置和项目结构参考适用于课程设计、毕业设计或人脸识别方向入门实践。1. 人脸识别系统选型Python、OpenCV、Django 的组合逻辑拿到这个标题第一反应是这像一份课程设计但细看技术栈会发现它其实是“最小可落地人脸识别系统”的经典组合。Python 负责把算法逻辑写得短而直白OpenCV 承担图像处理与检测识别的主干Django 把能力暴露成 Web 服务人脸识别库则决定你是在做“玩具”还是“可用”的系统。这个组合之所以在课程设计里高频出现是因为每一层都有成熟生态支撑不需要从零手写特征提取、不需要自己搭 HTTP 框架能在几周内跑通从摄像头采集到浏览器展示的完整链路。适合读这篇文章的人是准备做类似选题的学生、想快速给自己业务加一个人脸识别接口的工程师以及想搞清楚 OpenCV 人脸检测参数到底怎么调的后端开发者。你会看到我不只讲“怎么跑起来”还会说清检测、对齐、特征提取、比对这几个环节各自的选型理由和参数边界最后留下一个可行的功能测试技巧。2. 基于 Python 和 OpenCV 的人脸检测与对齐从视频帧里拿到干净人脸在写 Django 业务代码之前必须先解决一个问题Face 从哪来。OpenCV 的 VideoCapture 顺手就能拿到摄像头帧但一帧 640×480 的画面里可能同时出现多人、遮挡、侧脸直接丢给人脸识别库会让准确率崩掉。所以第一层处理是检测第二层处理是对齐。2.1 OpenCV 人脸检测的两种路线Haar 级联与 DNNOpenCV 自带两套人脸检测方案它们是不同时代的产物性能和适用场景差异明显。Haar 级联分类器是传统方案基于 Haar-like 特征和 AdaBoost 训练出级联分类器。它的优点是模型文件小约 900KB、无需额外依赖、CPU 上跑得飞快在 320×240 的低分辨率帧上做检测能到毫秒级。缺点是漏检率高特别是侧脸、低头、暗光场景而且容易误检。DNN 检测器是 OpenCV 3.3 之后引入的使用 Caffe 或 TensorFlow 训练好的 SSD 模型res10_300x300_ssd_iter_140000.caffemodel。它的检测精度明显更高能适应姿态变化但模型文件约 10MB推理时间比 Haar 多一个数量级在树莓派这类设备上会明显感觉卡。选择逻辑很简单课程设计或者快速原型优先用 Haar因为参数少、出图快、代码只有三行。对精度有要求且机器性能够就换 DNN。2.1.1 Haar 级联检测的最小代码import cv2 cascade_path haarcascade_frontalface_default.xml face_cascade cv2.CascadeClassifier(cascade_path) cap cv2.VideoCapture(0) # 打开默认摄像头 while True: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(60, 60) ) 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()这里把画面先转成灰度再做检测是因为 Haar 特征本身基于灰度强度差彩色图会引入无效的 RGB 通道信息既增加计算量又不会提升精度。detectMultiScale 的返回值是 (x, y, w, h) 列表后续裁剪、画框、对齐都依赖它。2.1.2 DNN 检测器的替换写法import cv2 import numpy as np net cv2.dnn.readNetFromCaffe( deploy.prototxt, res10_300x300_ssd_iter_140000.caffemodel ) def detect_faces_dnn(frame, conf_threshold0.7): h, w frame.shape[:2] blob cv2.dnn.blobFromImage( cv2.resize(frame, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0) ) net.setInput(blob) detections net.forward() faces [] for i in range(detections.shape[2]): confidence detections[0, 0, i, 2] if confidence conf_threshold: continue box detections[0, 0, i, 3:7] * np.array([w, h, w, h]) x1, y1, x2, y2 box.astype(int) faces.append((x1, y1, x2 - x1, y2 - y1)) return faces注意 blobFromImage 的 mean 值是三通道 BGR 的均值这是原模型训练时用的归一化参数不能随意改成 0否则检测效果会骤降。conf_threshold 推荐在 0.7 到 0.9 之间低于 0.5 会把大量背景误判成人脸。2.2 人脸对齐解决歪头和侧脸的识别率下降问题检测框出来之后直接裁剪送入识别库是新手最常见的做法但这会带来一个问题人脸姿态不统一。同样是正脸有人头稍微偏左 15 度深度模型还好传统 LBPH、EigenFaces 这类算法的识别率就会明显下降。对齐的核心思路是找到两只眼睛的坐标算旋转角度再做仿射变换把眼睛拉平到固定位置。2.2.1 基于 OpenCV 的眼睛定位与仿射变换import cv2 import math def align_face(frame, face_box, eye_cascade): x, y, w, h face_box roi frame[y:yh, x:xw] gray_roi cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) eyes eye_cascade.detectMultiScale( gray_roi, scaleFactor1.1, minNeighbors8, minSize(20, 20) ) if len(eyes) 2: return roi # 检测不到两只眼就直接返回原图 # 按 x 坐标排序左眼在前 eyes sorted(eyes, keylambda e: e[0]) (x1, y1, w1, h1), (x2, y2, w2, h2) eyes[:2] left_eye_center (x1 w1 // 2, y1 h1 // 2) right_eye_center (x2 w2 // 2, y2 h2 // 2) dx right_eye_center[0] - left_eye_center[0] dy right_eye_center[1] - left_eye_center[1] angle math.degrees(math.atan2(dy, dx)) desired_left_x 80 desired_right_x 160 desired_eye_y 90 desired_eye_distance desired_right_x - desired_left_x scale desired_eye_distance / dx if dx ! 0 else 1.0 M cv2.getRotationMatrix2D(left_eye_center, angle, scale) M[0, 2] desired_left_x - left_eye_center[0] M[1, 2] desired_eye_y - left_eye_center[1] aligned cv2.warpAffine(roi, M, (240, 240)) return aligned这段代码做了三件事算旋转角度让两眼水平算缩放让眼距固定再用平移把左眼挪到目标坐标。最终输出的 240×240 图像就是一套统一的“标准脸”后续无论是训练还是识别输入分布都更接近识别率会稳定提升。眼睛检测建议用 haarcascade_eye.xmlminNeighbors 设到 8 以上避免头发、阴影干扰。3. Django 项目里的人脸识别核心模块从摄像头流到身份判定Django 在整套系统里扮演的角色是 Web 容器和业务层。识别的计算部分不放 Django 视图里同步跑而是拆成两层算法层负责特征提取与比对业务层负责接收图像、调用算法、返回结果。3.1 人脸识别库的选型LBPH、EigenFaces 与深度模型的取舍OpenCV 的 contrib 模块自带三种传统人脸识别器LBPH、EigenFaces、FisherFaces。课程设计这个场景LBPH 是标准答案。原因有两点第一LBPH 对光照变化相对鲁棒它提取的是局部二值模式直方图不是全局灰度统计第二LBPH 支持增量训练新用户入库时不用重新训练全量数据。深度方案以 FaceNet、ArcFace 为代表OpenCV 本身不带需要额外装 openvino 或 tensorflow。识别精度高一个量级但训练、部署、模型文件管理都复杂。Django 项目里如果集成深度模型最顺畅的路径是走 ONNX Runtime不推荐在 Web 服务里直接加载 TF 全家桶。3.1.1 LBPH 模型训练与预测代码import cv2 import numpy as np import os def load_training_data(data_dir): images [] labels [] for label_name in os.listdir(data_dir): label int(label_name) person_dir os.path.join(data_dir, label_name) for img_name in os.listdir(person_dir): img_path os.path.join(person_dir, img_name) img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (160, 160)) images.append(img) labels.append(label) return images, np.array(labels) def train_lbph(data_dir, model_path): recognizer cv2.face.LBPHFaceRecognizer_create( radius1, neighbors8, grid_x8, grid_y8 ) images, labels load_training_data(data_dir) recognizer.train(images, labels) recognizer.write(model_path)3.2 Django 视图如何接入识别逻辑同步阻塞问题的处理Django 视图默认是同步执行线程的。人脸检测加识别一次大约几十到几百毫秒直接写在 view 里会阻塞线程但课程设计场景 QPS 低这种方式完全够用。如果做得讲究一点把识别过程丢到 Celery 任务队列是正路不过那是另一个话题。3.2.1 识别接口的 Django 视图import cv2 import numpy as np from django.http import JsonResponse from django.views.decorators.csrf import csrf_exempt recognizer cv2.face.LBPHFaceRecognizer_create() recognizer.read(models/lbph_model.yml) face_cascade cv2.CascadeClassifier(haarcascades/haarcascade_frontalface_default.xml) csrf_exempt def recognize_face(request): if request.method ! POST: return JsonResponse({error: method not allowed}, status405) # 前端或客户端通过 multipart/form-data 上传图片 image_file request.FILES.get(image) if image_file is None: return JsonResponse({error: no image}, status400) # 用 numpy 从文件流解码 data np.frombuffer(image_file.read(), np.uint8) frame cv2.imdecode(data, cv2.IMREAD_COLOR) gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale( gray, scaleFactor1.1, minNeighbors5, minSize(60, 60) ) results [] for (x, y, w, h) in faces: roi gray[y:yh, x:xw] roi cv2.resize(roi, (160, 160)) label, confidence recognizer.predict(roi) results.append({ bbox: [x, y, w, h], label: int(label), confidence: round(float(confidence), 2) }) return JsonResponse({faces: results})LBPH 的 predict 返回两个值label 和 confidence。这里的 confidence 是“距离”不是概率数值越小说明越接近训练样本。判断是否匹配的标准做法是设阈值比如 confidence 80 认定为同一个人80~120 之间属于模棱两可大于 120 视为陌生人。这个阈值必须根据实测分布去调不能套网上默认值。3.3 摄像头实时识别与 streaming 响应课程设计通常要求展示实时识别效果。Django 的 StreamingHttpResponse 可以做 MJPEG 视频流思路是循环读帧、调用检测、编码成 JPEG、以 multipart/x-mixed-replace 格式持续输出给浏览器。代码框架如下from django.http import StreamingHttpResponse def gen_frames(): cap cv2.VideoCapture(0) while True: success, frame cap.read() if not success: break # 在这里插入检测与识别逻辑 ret, buffer cv2.imencode(.jpg, frame) if not ret: continue frame_bytes buffer.tobytes() yield (b--frame\r\n bContent-Type: image/jpeg\r\n\r\n frame_bytes b\r\n) def video_feed(request): return StreamingHttpResponse( gen_frames(), content_typemultipart/x-mixed-replace; boundaryframe )StreamingHttpResponse 的参数里 content_type 必须带 boundaryframe浏览器靠这个边界符切分多帧数据。这里有个隐蔽问题如果识别逻辑耗时超过 1/30 秒视频会明显掉帧导致浏览器显示卡顿。常见做法是把检测分辨率降到 320×240或者隔帧执行识别比如每 3 帧处理一次。4. 人脸识别系统的必调参数与易踩坑被忽略的细节决定成败这个系统真正难的不是把代码跑通而是把参数调到能看。下面这几个位置是绝大多数项目翻车的地方。4.1 detectMultiScale 三大参数的联动关系scaleFactor 是每次缩放的比例1.1 表示每次缩小 10%。越小检测越慢但越准0.01 的差距在实时场景会被放大。课程设计建议锁死 1.1不要贪快把它调到 1.3否则小脸直接漏检。minNeighbors 是候选框最少保留的邻近框数量5 是常用值。它的作用是去重和滤噪声人脸区域会同时产生多个重叠框少于 5 个说明该区域可能是误检。minSize 取决于你的业务距离如果是门禁场景人脸在画面中占比大60×60 合理如果摄像头离人 3 米以上就得设到 100×100 以上。参数推荐值调高效果调低效果scaleFactor1.1检测更慢更准更快但漏检多minNeighbors5误检减少但漏检增加误检增多但捕获更多候选minSize60×60忽略小脸增加小目标误检4.2 LBPH 的参数radius 与 neighbors 的作用边界LBPH 构造函数的参数直接影响特征质量。radius1 取的是半径为 1 的圆形邻域neighbors8 表示采样 8 个点。调大 radius 会让特征抗旋转能力增强但丢失细纹理调大 neighbors 会提升特征区分度但计算量上升。对人脸这种纹理丰富的对象radius1 或 2、neighbors8 是经验值。grid_x 和 grid_y 决定直方图分块数8×8 适合 160×160 的输入图如果输入图像更小不降分块数会导致每个单元格内像素太少直方图统计意义减弱。4.3 Django 集成时三个容易踩的坑第一个坑是 POST 请求被 CSRF 拦截。用 csrf_exempt 能解决但要有意识公开的识别接口如果没有任何鉴权别人可以无限调用你的摄像头识别服务。课程设计可以临时豁免正式项目里至少加一个 token 头校验。第二个坑是模型文件路径。Django 项目运行时的工作目录可能和 manage.py 所在目录不同建议始终使用绝对路径或 os.path.join(settings.BASE_DIR, models/xxx.yml)。第三个坑是 OpenCV 摄像头资源释放。Django 开发服务器的 autoreload 主进程和子进程会各拉一次摄像头容易报 device busy明确用 --noreload 启动可避免。5. 一个能拿得出手的功能测试技巧用留出集画识别阈值曲线课程设计答辩时最尴尬的一幕是你无法回答“置信度 80 是怎么来的”。避开这个问题的最好办法是做一个简单但严谨的阈值测试把已知人脸照片喂给识别器统计同一人正样本对和不同人负样本对的 confidence 分布再根据分布图确定阈值。步骤是先准备测试集。每个人拍两张照片一张注册进训练集一张留作测试。正样本对就是“训练阶段见过的那张 vs 测试阶段新拍那张”负样本对是“A 的训练照 vs B 的测试照”。然后用统计代码跑出所有对的距离值画成直方图。import numpy as np from collections import defaultdict def evaluate_threshold(recognizer, test_people): pos_distances [] neg_distances [] for person_id, (gallery_path, probe_path) in test_people.items(): gallery load_face(gallery_path) probe load_face(probe_path) label_g, dist_g recognizer.predict(gallery) label_p, dist_p recognizer.predict(probe) # 正样本对同一人两张不同照片 pos_distances.append(dist_p) # 负样本对随机取另一个人的库照片来比 other_id (person_id 1) % len(test_people) other_path test_people[other_id][0] label_o, dist_o recognizer.predict(load_face(other_path)) neg_distances.append(dist_o) pos_arr np.array(pos_distances) neg_arr np.array(neg_distances) best_threshold None best_f1 -1 for threshold in np.arange(60, 130, 2): tp np.sum(pos_arr threshold) fp np.sum(neg_arr threshold) fn np.sum(pos_arr threshold) tn np.sum(neg_arr threshold) precision tp / (tp fp) if (tp fp) 0 else 0 recall tp / (tp fn) if (tp fn) 0 else 0 f1 2 * precision * recall / (precision recall) if (precision recall) 0 else 0 if f1 best_f1: best_f1 f1 best_threshold threshold print(fbest threshold: {best_threshold}, f1: {best_f1}) print(fpositive mean: {pos_arr.mean():.2f}, std: {pos_arr.std():.2f}) print(fnegative mean: {neg_arr.mean():.2f}, std: {neg_arr.std():.2f})这套测试方法的价值在于它把“推荐值是 80”变成了“我实测的最优阈值是 XX”。并且你能直接看出两个分布的分离度如果正负样本的均值差距很小说明训练数据质量差或特征区分度不足此时调参没有意义要回头查对齐和图像质量。答辩时给出这组数字比任何截图都有说服力。如果追求效率还可以把负样本距离数组改成从全体训练样本随机采样得到更稳健的分布估计。整个流程用不了 30 行代码但能彻底终结“阈值拍脑袋”的质疑。本文还有配套的精品资源点击获取