智能宿舍：人脸识别管理新方案 - 指南

人脸识别智能宿舍管理系统项目介绍

一、项目概述

（一）项目背景

在当今数字化校园建设的大趋势下，学校宿舍管理面临着诸多挑战，如传统人工考勤效率低下、晚归未归情况难以及时掌握、宿舍信息管理繁琐等。为了提升宿舍管理的智能化水平，提高管理效率和安全性，人脸识别智能宿舍管理系统应运而生。

（二）项目目标

本项目旨在开发一款基于 python 深度学习和计算机视觉技术的综合管理平台，实现学校宿舍的智能化管理。通过人脸识别技术，自动完成学生进出宿舍的考勤记录、晚归检测等工作，同时对宿舍信息和违规记录进行高效管理，为宿舍管理人员提供便捷、准确的管理工具。

（三）核心技术栈

该系统融合了多种先进技术，具体如下：

人脸识别：依托深度学习的人脸检测和特征提取技术，能够精准识别学生人脸信息。
图像处理：借助 OpenCV 进行图像采集、预处理和分析，确保图像质量满足识别要求。
界面开发：采用 PyQt5 构建直观、易用的桌面应用界面，方便管理人员操作。
数据存储：运用 SQLite 数据库存储学生信息和考勤记录等数据，保证数据的安全与高效访问。
多线程处理：通过 QThread 实现摄像头实时处理和 UI 响应分离，提升系统运行的流畅性。

二、系统功能模块

（一）学生人脸注册

该功能用于采集学生人脸图像，建立人脸特征库，为后续的人脸识别提供基础数据。具体流程如下：

管理人员在主界面选择 “人脸注册” 选项卡，在右侧填写学生的学号、姓名、班级、寝室号等信息。
点击 “开始采集” 按钮，系统自动从摄像头捕获学生的人脸图像。
采集过程中，学生需转动头部，以便系统获取不同角度的人脸图像。系统会自动评估图像质量，只保留高质量的人脸图像。
完成 15 张图像的采集后，系统自动停止采集。点击 “完成注册” 按钮，系统将学生信息和人脸图像保存到数据库，注册成功后，学生信息会显示在已注册学生列表中。

（二）实时人脸识别

支持摄像头实时识别、图片识别和视频识别三种模式，能够快速准确地识别出学生身份。

摄像头实时识别：进入 “人脸识别” 选项卡，选择摄像头模式，点击 “开始识别” 按钮，系统实时捕获画面并识别人脸，识别结果实时显示在界面上，包括人名和相似度。
图片识别：在 “人脸识别” 选项卡选择图片模式，先选择图片文件，系统对图片进行识别并显示结果。
视频识别：选择视频模式，选取视频文件后，系统对视频中的人脸进行识别并展示结果。

（三）考勤管理

自动记录学生进出宿舍情况，统计考勤数据，生成详细的考勤报表，方便管理人员掌握学生的出勤情况。

系统默认显示当天的考勤记录，管理人员可选择日期、班级或宿舍等筛选条件，点击 “查询” 按钮，查看符合条件的考勤记录和未签到学生列表。
支持将当前筛选条件下的考勤记录导出为 CSV 文件，便于数据的进一步处理和分析。

（四）晚归管理

根据设定的宿舍规则，自动识别晚归情况并记录违规。系统会在学生考勤记录添加时，检查当前时间是否符合晚归规则，若判定为晚归，则记录相应的违规信息。

（五）宿舍信息管理

对宿舍基本信息、学生分配和宿舍规则进行全面管理。

管理人员可在 “宿舍管理” 选项卡添加新宿舍，填写宿舍 ID、楼栋、房间号、容量等信息，点击 “保存” 按钮完成添加；也可选择已有宿舍进行编辑修改。
可设置每天的晚归时间，点击 “保存规则” 按钮，系统将根据这些规则自动判断学生是否晚归。

（六）违规记录管理

记录和处理学生晚归、未归等违规情况。在 “安全管理” 选项卡，系统默认显示最近的违规记录，管理人员可设置日期范围、违规类型和处理状态等查询条件，点击 “查询” 按钮查看符合条件的违规记录；对于需要处理的违规记录，选择后点击 “标记为已处理” 按钮，系统会更新违规记录的处理状态。

三、系统技术架构

（一）整体架构

该系统采用分层架构设计，分为表现层、业务逻辑层和数据访问层。

表现层：基于 PyQt5 构建的桌面应用界面，负责与用户进行交互，展示系统功能和数据。
业务逻辑层：实现人脸识别、考勤管理、晚归检测等核心业务逻辑，协调各模块之间的工作。
数据访问层：通过 SQLite 数据库接口，负责数据的存储和查询，为业务逻辑层提供数据支持。

（二）核心技术详解

人脸识别技术：基于深度学习的人脸检测和特征提取技术，能够从图像中快速准确地检测出人脸，并提取独特的人脸特征进行比对。
图像处理技术：利用 OpenCV 进行图像采集、预处理（如灰度化、降噪、人脸对齐等）和分析，提高图像质量，为后续的人脸识别提供可靠的图像数据。
多线程处理技术：使用 QThread 将摄像头实时处理和 UI 响应分离，避免因图像处理耗时过长而导致界面卡顿，提升系统的用户体验。

四、系统目录结构

系统由多个模块组成，各模块分工明确，协同工作，以下是主要的目录结构：

plaintext

project_root/
├── model/                      # 模型与日志
│   └── renlianshibie/          # 人脸识别模型
│       ├── checkpoints/        # 模型权重文件
│       └── training_log.csv    # 训练日志
├── datasets/                   # 数据集与照片
│   └── users/                  # 用户照片库
├── ui/                         # PyQt5 前端代码
│   └── main_window.py          # 主窗口界面实现
├── database/                   # SQLite 数据库文件
│   └── dormitory.db            # 宿舍管理数据库
├── records/                    # 识别记录图像
├── snapshots/                  # 手动截图保存目录
├── temp_faces/                 # 临时人脸存储目录
├── sounds/                     # 警报声音文件
├── main.py                     # 主程序入口
├── camera_utils.py             # 摄像头读取模块
├── recognizer.py               # 模型调用接口
├── db_utils.py                 # SQLite 数据库操作模块
├── image_utils.py              # 图像处理工具
├── alarm_utils.py              # 警报控制模块
├── config.ini                  # 配置文件
└── requirements.txt            # 依赖库列表

五、核心代码解析

（一）人脸识别线程（RecognitionThread 类）

python

运行

class RecognitionThread(QThread):
"""人脸识别线程"""
# 自定义信号
frame_processed = pyqtSignal(object, object)  # 帧处理完成信号 (原始帧, 结果)
status_updated = pyqtSignal(dict)  # 状态更新信号
record_added = pyqtSignal()  # 添加记录信号，用于刷新记录表格
face_collected = pyqtSignal(object, int)  # 人脸采集信号 (人脸图像, 当前计数)
def __init__(self, camera_manager, recognizer, db_manager):
super().__init__()
self.camera_manager = camera_manager
self.recognizer = recognizer
self.db_manager = db_manager
# 人脸采集相关变量
self.face_images = []  # 采集的人脸图像列表
self.face_collection_active = False  # 是否正在采集人脸
self.face_collection_count = 0  # 当前采集的人脸数量
self.face_collection_max = 15  # 需要采集的人脸数量
# 人脸检测器
self.face_detector = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
self.face_detector_alt = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_alt.xml')

该类作为人脸识别线程，主要负责在后台处理摄像头画面。它通过自定义信号与主线程进行通信，实现了 UI 和处理逻辑的分离。在初始化方法中，设置了人脸采集的相关变量和人脸检测器，为后续的人脸采集和识别做好准备。当启动线程后，它会不断从摄像头获取画面，进行人脸检测和识别，并将处理结果通过信号发送给主线程。

（二）人脸识别器（FaceRecognizer 类）

python

运行

class FaceRecognizer:
"""
人脸识别器类，封装模型调用和比对功能
"""
def __init__(self, config_path='config.ini'):
# 加载配置
self.config = configparser.ConfigParser()
try:
self.config.read(config_path, encoding='utf-8')
self.model_path = self.config.get('Model', 'checkpoint_path')
self.num_classes = self.config.getint('Model', 'num_classes')
self.threshold = self.config.getfloat('Recognition', 'similarity_threshold', fallback=0.65)
self.database_path = self.config.get('Database', 'students_dir', fallback='datasets/users')
except Exception as e:
print(f"加载配置失败: {str(e)}，使用默认配置")
self.model_path = 'model/renlianshibie/checkpoints/model_epoch_50.pth'
self.num_classes = 10177
self.threshold = 0.65
self.database_path = 'datasets/users'
# 初始化模型
self.model = FaceRecognitionModel(self.num_classes).to(self.device)
# 加载已知人员特征
self.known_faces = {}
self.load_known_faces()

此类封装了模型调用和比对功能。在初始化时，会加载配置文件中的参数，若加载失败则使用默认配置。然后初始化人脸识别模型，并加载已知人员的人脸特征。在进行人脸识别时，它会提取待识别人脸的特征，并与已知人员的特征进行比对，通过余弦相似度来判断是否匹配，当相似度超过设定的阈值时，则认为识别成功。

（三）数据库管理器（DatabaseManager 类）

python

运行

class DatabaseManager:
"""数据库管理器类"""
def __init__(self, db_path='database/dormitory.db'):
"""
初始化数据库管理器
参数:
db_path: 数据库文件路径
"""
self.db_path = db_path
self.database_path = os.path.join('datasets', 'users')  # 添加用户数据存储路径属性
# 确保目录存在
Path(os.path.dirname(db_path)).mkdir(parents=True, exist_ok=True)
Path(self.database_path).mkdir(parents=True, exist_ok=True)  # 确保用户数据目录存在
# 初始化数据库
self.initialize_db()
def add_attendance_record(self, source, student_id, name, similarity, image_path=None):
"""添加考勤记录并检查是否晚归"""
conn = self.get_connection()
try:
cursor = conn.cursor()
# 获取当前时间
now = datetime.datetime.now()
timestamp = now.strftime("%Y-%m-%d %H:%M:%S")
# 检查是否晚归
status = self.check_if_late_return(student_id, now)
# 添加考勤记录
cursor.execute('''
INSERT INTO attendance_records (timestamp, source, student_id, name, similarity, image_path, status)
VALUES (?, ?, ?, ?, ?, ?, ?)
''', (timestamp, source, student_id, name, similarity, image_path, status))
# 如果晚归，添加违规记录
if status == "晚归":
self.add_violation_record(student_id, name, "late_return",
f"{name}于{timestamp}晚归")
conn.commit()
return True
except Exception as e:
print(f"添加考勤记录失败: {str(e)}")
conn.rollback()
return False
finally:
conn.close()

该类主要负责学生信息、考勤记录和违规记录的存储和查询。在初始化时，会确保数据库目录和用户数据目录存在，并初始化数据库。其 add_attendance_record 方法用于添加考勤记录，同时会检查学生是否晚归，若晚归则添加相应的违规记录。通过数据库操作，实现了数据的持久化存储和高效管理，为系统的各项功能提供了数据支持。

六、操作文档

（一）系统登录

启动系统后，系统会自动加载配置文件和模型，无需登录操作，直接进入主界面，方便管理人员快速使用系统。

（二）学生注册操作流程

进入注册页面：在主界面选择 “人脸注册” 选项卡，在右侧填写学生信息（学号、姓名、班级、寝室号）。
采集人脸图像：点击 “开始采集” 按钮，系统自动从摄像头捕获学生的人脸图像。采集过程中，学生应转动头部，以便系统获取不同角度的人脸图像，系统会自动评估图像质量，只保留高质量的人脸图像。完成 15 张图像的采集后，系统自动停止采集。
完成注册：点击 “完成注册” 按钮，系统将学生信息和人脸图像保存到数据库，注册成功后，学生信息会显示在已注册学生列表中。

（三）人脸识别操作流程

进入识别页面：在主界面选择 “人脸识别” 选项卡，选择识别模式（摄像头、图片或视频）。
开始识别：点击 “开始识别” 按钮。对于摄像头模式，系统实时捕获画面并识别人脸；对于图片模式，需先选择图片文件；对于视频模式，需先选择视频文件。
查看识别结果：识别结果实时显示在界面上，包括识别到的人名和相似度。识别记录自动保存到数据库，并显示在识别记录表格中。可点击 “截图” 按钮保存当前画面。

（四）考勤管理操作流程

进入考勤管理页面：在主界面选择 “考勤管理” 选项卡，系统默认显示当天的考勤记录。
查询考勤记录：选择日期、班级或宿舍筛选条件，点击 “查询” 按钮，系统显示符合条件的考勤记录和未签到学生列表。
导出考勤数据：点击 “导出数据” 按钮，选择保存路径，系统将当前筛选条件下的考勤记录导出为 CSV 文件。

（五）安全管理操作流程

进入安全管理页面：在主界面选择 “安全管理” 选项卡，系统默认显示最近的违规记录。
查询违规记录：设置日期范围、违规类型和处理状态，点击 “查询” 按钮，系统显示符合条件的违规记录。
处理违规记录：选择需要处理的违规记录，点击 “标记为已处理” 按钮，系统更新违规记录的处理状态。

（六）宿舍管理操作流程

进入宿舍管理页面：在主界面选择 “宿舍管理” 选项卡，系统显示宿舍列表和晚归规则设置。
添加 / 编辑宿舍：填写宿舍信息（宿舍 ID、楼栋、房间号、容量），点击 “保存” 按钮添加新宿舍；或选择已有宿舍，点击 “编辑” 按钮修改信息。
设置晚归规则：为每天设置晚归时间（格式：HH:MM），点击 “保存规则” 按钮，系统根据这些规则自动判断学生是否晚归。

（七）系统设置操作流程

进入设置页面：在主界面选择 “设置” 选项卡，可以配置摄像头、识别参数和数据路径。
摄像头设置：选择摄像头设备和分辨率，调整人脸检测参数（灵敏度和最小人脸尺寸）。
识别设置：调整相似度阈值（决定识别的严格程度），选择是否保存识别图像。
保存设置：点击 “保存设置” 按钮，设置保存到 config.ini 文件中，下次启动时自动加载。

posted @ 2025-07-26 22:02 yfceshi 阅读(28) 评论(0) 收藏举报

刷新页面返回顶部