企业官网建设流程全解析

简介：一套基于Python、OpenCV与PyQt5构建的人脸识别考勤签到系统源码，面向课程设计与毕业设计场景，覆盖人脸检测、特征提取、签到记录与查询管理的完整流程。资源共44个文件，包含12个Python脚本、16个pyc缓存、10个OpenCV级联分类器XML和2个PyQt5界面UI文件，压缩包整体仅681KB，目录结构清晰，便于按界面层、功能层和数据层分段研读；其中py文件承载核心逻辑，xml为预训练的人脸检测模型，ui为可视化窗口布局定义。源码注释详尽，从Haar级联人脸检测、LBPH特征提取到PyQt5信号与槽交互均有落地实现，并配有数据库/文件存储、日期时间处理与异常捕获等模块，能帮助开发者掌握考勤系统的工程化写法。目前已有266人学习下载，非常适合正在准备课程设计或毕业设计、希望系统学习OpenCV人脸识别与PyQt5桌面应用开发的初学者作为实战参考。

1. 基于 Python+OpenCV 的人脸考勤：这源码解决的是什么场景

把摄像头往门口一放，员工靠近屏幕，系统喊出名字并自动写一条打卡记录——这就是基于 python+opencv 人脸识别考勤签到系统最朴素的使用场景。这类项目在 opencv 图像处理里属于非常典型的落地练习：既要处理实时视频流，又要跑人脸检测与识别，还得用 pyqt5 把结果以桌面界面的方式展示给操作员。它解决的是不想买昂贵门禁机、又希望签到这个动作尽量无人值守的需求，特别适合中小团队、实验室和毕业设计，成本就是一部 USB 摄像头加一台普通电脑。适合有一定 Python 基础，想改识别逻辑、接自有数据库、把界面换成自己公司风格的开发者。我下面直接按“环境跑通 → 核心代码 → 考勤逻辑 → 踩坑 → 如何验证”的顺序来讲，新手能跟完，熟手也能找到可调的参数。

2. 把项目跑起来之前：环境、依赖与目录结构

2.1 安装 Python 与 OpenCV、PyQt5：版本组合和常见安装失败

这类项目对 Python 版本其实很敏感。我见过太多人按最新的 python 安装教程装完 3.12，转头pip install opencv-python发现装上了却 import 不了，或者 PyQt5 装完打开窗口直接闪退。最稳的组合是 Python 3.8 或 3.9，搭配 opencv-contrib-python 4.5.5 和 PyQt5 5.15.7。3.10 也能用，但 3.12 容易踩到轮子还没跟上来的坑，不建议新手上来就挑战。

# 建议先建一个虚拟环境，避免污染系统 Python python -m venv venv # Windows 激活命令；Linux/macOS 用 source venv/bin/activate venv\Scripts\activate # 核心依赖 pip install numpy pip install opencv-contrib-python==4.5.5.64 pip install pyqt5==5.15.7 pip install pillow

这里最容易翻车的点是 OpenCV 的包名。很多人只装了opencv-python，结果代码里写cv2.face.LBPHFaceRecognizer_create()时直接报No module named 'cv2.face'。因为opencv-python是精简版，不带face模块；人脸识别要用opencv-contrib-python。另外不要同时装这两个包，它们会互相覆盖，最后 import cv2 时版本都对不上。

如果pip install慢到怀疑人生，加一个国内镜像源就行：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python。装完之后用一条命令验证环境：python -c "import cv2; print(cv2.getBuildInformation())"。能打印出来就说明 cv2 没问题；如果明明 pip show 里有 opencv，python 却说找不到，那大概率是虚拟环境没激活，pip 装到了另一个 Python 解释器里。这种“opencv 安装成功却找不到 cv2”的情况，本质不是安装失败，而是解释器路径错位。

2.2 源码目录应该怎么摆：样本、模型和三层结构

拿到一个考勤签到系统源码，不要急着直接双击 main.py。这类项目一般都有三块职责：界面（UI）、识别核心（core）、数据存储（db）。混在一个文件里后患无穷，因为摄像头线程要和界面线程通信，识别逻辑又要和数据库耦合，一旦写成一坨，调一个打卡时间逻辑都可能牵动整个界面。

常见的目录结构是这样的：

attendance/ ├─ main.py # 程序入口，只负责启动 QApplication ├─ requirements.txt # 依赖清单 ├─ core/ │ ├─ detector.py # 人脸检测，封装 Haar Cascade │ ├─ recognizer.py # 训练和预测，封装 LBPH │ └─ database.py # SQLite 读写，负责签到记录 ├─ ui/ │ ├─ main_window.py # PyQt5 主窗口，按钮和表格 │ └─ camera_thread.py # 摄像头 QThread，不停发画面和识别结果 ├─ data/ │ ├─ samples/ │ │ ├─ 10001/ # 每个工号一个文件夹 │ │ │ ├─ 0.jpg │ │ │ └─ 1.jpg │ └─ models/ │ └─ face_model.yml # 训练出来的人脸模型 └─ attendance.db

每个目录下面的代码都应该带上详细注释。我一般会把函数说明写在 docstring 里，尤其是detector.py里的detect_all_faces()和recognizer.py里的predict()，因为参数含义不写在注释里，换一个人维护时基本只能靠猜。数据库文件不要放在项目根目录，建议放data/下，备份时长整目录拷走就行。

2.3 第一次启动：从注册人脸到完成一次签到

建议按“注册人脸 → 训练模型 → 启动签到”三步走，不要跳步。先把人脸样本准备好，再训练模型，最后才开界面。很多人拿到代码后直接启动界面，结果识别框里全是 0，或者所有人都被识别成同一个人，都是因为模型只有一个空架子。

第一步是采集人脸样本。下面的代码会打开摄像头，检测到人脸后裁切、缩放、保存为灰度图，每个工号存 30 到 50 张：

# collect_faces.py import cv2 emp_id = input("输入工号（用于创建文件夹）: ").strip() detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml") cap = cv2.VideoCapture(0) count = 0 while count < 30: ok, frame = cap.read() if not ok: continue gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector.detectMultiScale(gray, 1.1, 5, minSize=(100, 100)) for (x, y, w, h) in faces: face = gray[y:y + h, x:x + w] face = cv2.resize(face, (160, 160)) cv2.imwrite(f"data/samples/{emp_id}/{count}.jpg", face) count += 1 print(f"已采集 {count}/30")

这里有两个设计点：保存灰度图是因为 LBPH 识别器只吃单通道，彩色图进去反而会多出无效信息；缩放成 160×160 是为了让训练和预测都固定输入尺寸，避免模型对分辨率过敏感。注意要预先创建data/samples/{emp_id}这个文件夹，否则imwrite会因为路径不存在而静默失败，这一步很容易被忽略。

第二步是训练模型。把data/samples下所有照片读进来，打上标签，交给 LBPH 训练，最后写成一个 yml 文件：

# train.py import cv2 import glob import os import numpy as np recognizer = cv2.face.LBPHFaceRecognizer_create(radius=1, neighbors=8, grid_x=8, grid_y=8) faces, labels = [], [] for path in glob.glob("data/samples/*/*.jpg"): label = int(path.split(os.sep)[-2]) # 文件夹名就是员工 ID face = cv2.imread(path, cv2.IMREAD_GRAYSCALE) face = cv2.resize(face, (160, 160)) faces.append(face) labels.append(label) labels = np.array(labels) recognizer.train(faces, labels) recognizer.write("data/models/face_model.yml") print(f"训练完成，共 {len(faces)} 张样本")

这样训练出来的模型就可以被主界面加载。跑通这两个脚本之后，再启动 main.py，选择 USB 摄像头，就能在 PyQt5 窗口里看到实时画面和人名框了。第一次启动如果画面里有人名但考勤记录没有写入，多半是还没有走到“写入数据库”的判定逻辑，这一块我在第 4 章展开。

3. 核心代码逐个拆：人脸检测、特征训练与 PyQt5 显示

3.1 用 Haar 级联检测人脸：detectMultiScale 的参数与返回结果

OpenCV 里的人脸检测最常见做法是 Haar Cascade，它在 OpenCV 4.x 里依然是默认选择。不是因为它最强，而是胜在不需要额外下载模型、CPU 也能跑得动。识别考勤这种场景，Haar 的误检率是能接受的。

# core/detector.py import cv2 class FaceDetector: def __init__(self, cascade_path="haarcascade_frontalface_default.xml"): self.cascade = cv2.CascadeClassifier(cascade_path) def detect(self, gray, scale_factor=1.1, min_neighbors=5, min_size=(80, 80)): faces = self.cascade.detectMultiScale( gray, scaleFactor=scale_factor, minNeighbors=min_neighbors, minSize=min_size, flags=cv2.CASCADE_SCALE_IMAGE ) return faces # 返回 [(x, y, w, h), ...]

detectMultiScale里有三个参数需要重点理解。scaleFactor控制图像缩放步长，1.1 表示每轮把图像缩小 10%，值越小越精确但速度越慢，值太大容易把远处的小人脸漏掉。minNeighbors表示每个候选框需要被附近多少个检测框“投票”才能保留，5 到 6 是比较折中的值；设成 1 或 2 误报会暴增，背景里的插线板都可能被当成人脸。minSize是检测框最小尺寸，如果你的摄像头离人脸比较远，可以设成 80×80 或更小，否则识别模块拿到的人脸区域太小，LBPH 几乎不可能给出稳定结果。

另外，Haar 对侧脸和大角度俯仰确实不行。如果你发现考勤时员工需要正对摄像头才能签到，这不是代码 bug，是 Haar 的固有局限。想减少这种“玄学”失败，可以在检测之前对灰度图做一次直方图均衡化，把逆光造成的暗部细节拉回来：

gray = cv2.equalizeHist(gray)

别小看这一行，很多“十次识别八次失败”的翻车现场，加完这一行之后成功率明显上升，因为 LBPH 对光照变化没那么鲁棒，先做直方图均衡化相当于帮它把对比度统一了。

3.2 LBPH 训练与预测：radius、neighbors、grid 与置信度阈值

考勤系统里，人脸识别部分最常用的是 OpenCV 自带的 LBPH（Local Binary Patterns Histograms）。它不依赖 GPU，训练速度以秒计，几百张样本就能见到效果。对比动不动就要跑深度模型的方案，LBPH 是“入门首选、可解释性强”的那一类。

# core/recognizer.py import cv2 class FaceRecognizer: def __init__(self, model_path=None, threshold=80): self.recognizer = cv2.face.LBPHFaceRecognizer_create( radius=1, neighbors=8, grid_x=8, grid_y=8 ) self.recognizer.setThreshold(threshold) if model_path: self.recognizer.read(model_path) def train(self, faces, labels): self.recognizer.train(faces, labels) def predict(self, face): label, confidence = self.recognizer.predict(face) if confidence >= self.recognizer.getThreshold(): return -1, confidence return label, confidence

predict()返回两个值，label 是整数标签，confidence 是置信度距离。对 LBPH 来说，距离越小表示越匹配。所以threshold的语义是“超过这个距离就认为不认识”，默认值通常取 80 到 100。如果想让系统更严格，防止陌生人刷脸成功，就应该降低阈值到 60 左右；如果房间里光线差、识别总失败，可以提高阈值到 110，但代价是有可能把两个人判成同一个人。

识别器参数里，radius=1表示计算 LBP 特征时采样半径；neighbors=8表示使用 8 个采样点，这也是 OpenCV 官方示例值；grid_x=8, grid_y=8把图像切分成 8×8 的块计算直方图。切块越多，空间位置信息保留得越好，但特征维度也会变大。实测下来 8×8 是速度和精度的平衡点，grid_x=11, grid_y=11在小数据集上并不会明显更好，反而容易过拟合。

训练之后，模型里的 label 是文件夹名解析出来的整数。如果你把工号“001”当成字符串保存，读回来时int("001")会变成 1，这个细节在训练脚本里要注意，否则工号对不上人。我一般会在模型旁边配一个employees.json，把整数 label 和真实工号、姓名对应起来。

3.3 PyQt5 界面怎么接摄像头：BGR 转 RGB、QImage 与 QThread

PyQt5 界面设计里最容易出问题的，是把摄像头读取放到主线程。QTimer一秒钟刷新 30 次，每次cap.read()加检测再加预测，整个 UI 会卡到没法看，窗口拖都拖不动。正确做法是把摄像头采集放到 QThread 里，识别结果通过信号发回主窗口。

# ui/camera_thread.py import cv2 import time from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtGui import QImage class CameraThread(QThread): frame_ready = pyqtSignal(QImage) face_detected = pyqtSignal(int, float) # label, confidence def __init__(self): super().__init__() self._run_flag = True def run(self): cap = cv2.VideoCapture(0) while self._run_flag: ok, frame = cap.read() if ok: gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector.detect(gray) # 对每个人脸框画矩形并展示 for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape qimg = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) self.frame_ready.emit(qimg.copy()) time.sleep(0.03) # 30 帧左右 def stop(self): self._run_flag = False self.wait()

这段代码里必须解释三个细节。第一，cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)不能省，OpenCV 读进来是 BGR，PyQt5 的 QImage 却按 RGB 解析，不转换的话人脸会整体偏蓝偏暗。第二，qimg.copy()一定要加，因为QImage构造时引用的是rgb.data的内存，一旦frame被下一次cap.read()覆盖，那块内存就被改掉了，界面显示的就是残影和花屏。第三，time.sleep(0.03)是为了给 UI 线程留呼吸时间，不让线程空转占满 CPU；如果识别很慢，把间隔调成 0.05 或 0.06，画面上每秒帧数低一点但不会卡死。

信号face_detected在实际项目中还要带上识别结果，比如self.face_detected.emit(label, confidence)。主窗口收到后，把 label 翻译成姓名，再显示到状态栏，同时把签到记录写进 SQLite。这个流程放到第 4 章继续讲。

4. 考勤逻辑：签到记录、时间窗与重复签到去重

4.1 数据库表设计：员工表、签到表和时间字段

人脸识别只是把“是谁”这个问题回答完了，考勤系统还要回答“什么时候来的、算不算迟到、今天打了几次卡”。这部分最好用 SQLite，标准库自带，不需要额外启数据库服务。

CREATE TABLE employees ( id INTEGER PRIMARY KEY, name TEXT NOT NULL, department TEXT ); CREATE TABLE attendance ( id INTEGER PRIMARY KEY AUTOINCREMENT, employee_id INTEGER NOT NULL, check_time TEXT NOT NULL, status TEXT DEFAULT '正常', UNIQUE(employee_id, check_time), FOREIGN KEY (employee_id) REFERENCES employees(id) );

attendance表里我特意加了UNIQUE(employee_id, check_time)，防止同一秒插入两条重复记录。实际代码里，签到时间用datetime.now().strftime("%Y-%m-%d %H:%M:%S")存储，字符串格式化之后，后面判断迟到只需要比较串的前后顺序即可。如果你担心请假、加班等场景，可以再加一个attendance_type字段，日常考勤用不上就先不加，避免把表结构搞复杂。

“迟到”的判断不能写在 SQL 里，SQL 只负责存和查，业务规则放在 Python 层更清晰。常见做法是把考勤时间上限（比如 9:30）作为常量写在配置里，界面上的“统计考勤”按钮再统一跑一遍计算。

4.2 签到去重与迟到判断：同一个工号一天只打一次卡

考勤签到系统的第一原则是“一天只能有一个有效签到记录”。如果每识别到一次人脸就 insert 一条，某人坐工位上被摄像头扫到十次，就要删十条脏数据。我一般会在写入之前先查当天是否已有记录，没有才写入。

# core/database.py import sqlite3 from datetime import datetime def check_in(emp_id, name): today = datetime.now().strftime("%Y-%m-%d") now = datetime.now().strftime("%Y-%m-%d %H:%M:%S") conn = sqlite3.connect("data/attendance.db") cur = conn.cursor() cur.execute( "SELECT id FROM attendance WHERE employee_id=? AND check_time LIKE ?", (emp_id, today + "%") ) if cur.fetchone() is not None: conn.close() return "already_checked_in" cur.execute( "INSERT INTO attendance (employee_id, check_time, status) VALUES (?, ?, ?)", (emp_id, now, "正常") ) conn.commit() conn.close() return "ok"

这段代码的巧妙处在于用LIKE做日期前缀匹配，比DATE(check_time) = ?可读性好一些，也避免了格式化日期时遇到2025-05-01和2025-5-1不一致的麻烦。注意check_time的格式必须是四位年份、两位月份、两位日期、两位小时，字符串比较才可靠。如果项目用的是 24 小时制之外的显示格式，最好在写入时统一成 ISO 格式，后面所有统计都不用再做字符串转换。

迟到的判断，如果公司是 9:00 上班，我的建议是 9:00 之前正常，9:00 到 9:30 显示“迟到”，9:30 之后还没来那就别写签到，直接按缺勤处理。这一块和“只写一次”是配合的：第一次写入时就把状态算好，之后不再变更。

4.3 多帧确认减少误签：同一人脸连续多帧命中才写入

单帧识别结果直接写库，会被偶然的侧脸、遮挡、表情变化坑到。人脸识别器偶尔会把 A 识别成 B，置信度距离在阈值边缘抖动是常态。更稳的姿势是做一个滑动窗口，在最近 20 帧里同一 label 出现足够多的次数，才触发签到。

# core/vote_recognizer.py from collections import deque class VoteRecognizer: def __init__(self, vote_threshold=15, window_size=20): self.window = deque(maxlen=window_size) self.vote_threshold = vote_threshold def feed(self, label, confidence, conf_threshold=80): if confidence < conf_threshold: self.window.append(label) else: self.window.append(-1) if len(self.window) < self.window.maxlen: return -1 hits = self.window.count(label) if hits >= self.vote_threshold: self.window.clear() # 触发后清空，防止连续重复写库 return label return -1

这个滑动窗口解决了一个很隐蔽的问题：如果员工在人脸识别器前站了 3 秒，每秒 10 帧，每一帧都返回同一个 label，那 30 次识别结果就会触发 30 次check_in()。虽然数据库有去重条件，但每次都查一次库也会拖慢界面响应。更可怕的是当员工离开后，另一个人出现在镜头里，如果滑动窗口没清空，旧 label 的票数可能还够，导致二次误签。所以触发调用check_in()之前，必须先清空窗口。

我建议把“写入考勤”这个动作单独放到vote_recognizer.feed()返回 label 之后，不要放在识别线程里。界面主线程收到 signal，再发起check_in()，这样线程和数据库之间是单向传递，排查问题也容易。如果你想让签到更严格，可以把窗口扩大到 30 帧、阈值设为 25；如果考勤点人流量大、排队打卡，窗口太大反而会让后面的人迟迟签不上，8 帧里命中 6 帧也是可用的配置。

5. 避坑指南：六个真实翻车现场与排查方法

5.1 ModuleNotFoundError: No module named 'cv2'，或安装后仍报错

现象是执行import cv2时报ModuleNotFoundError: No module named 'cv2'，但用 pip list 却能看到 opencv。原因无非两种：当前 Python 环境不是安装 opencv 的环境；或者装的是opencv-python，包名对应模块确实是 cv2，不会报这个错。解决时先执行python -c "import sys; print(sys.executable)"看解释器路径，再执行pip -V看 pip 指向哪里。如果路径不一致，激活正确的虚拟环境，或者用python -m pip install opencv-contrib-python强制装到当前解释器。另外，有些 IDE 自己虚拟了一个环境，终端里能 import，IDE 里不能，这种情况直接在 IDE 的终端里重装一次即可。

5.2 cv2.error: OpenCV(4.4.0) 窗口卡死或摄像头打不开

现象是程序崩溃，报一段cv2.error: OpenCV(4.4.0) C:\Users\...，常见于摄像头被其他程序占用的场景，也有可能是cap.read()返回False但代码没有处理。原因是 OpenCV 的 VideoCapture 在摄像头被占用时不会给友好提示，而是把错误堆栈抛出来。解决方法是启动摄像头前先cap.isOpened()判断，并且给摄像头释放加finally：

cap = cv2.VideoCapture(0) if not cap.isOpened(): raise RuntimeError("摄像头打开失败，请检查是否有其他程序占用")

如果镜头画面是黑的，检查电脑摄像头权限，Windows 的“隐私设置”里经常会默认关闭摄像头访问。

5.3 界面卡死成白屏：摄像头循环放到了主线程

现象是 PyQt5 窗口能打开，但一启动识别就白屏，拖不动，任务管理器里 CPU 飙到 100%。原因是把cap.read()、人脸检测、预测全写在了 UI 线程的循环里。解决方法是把所有耗时操作搬进QThread，主线程只负责接收信号画界面。经验是，UI 线程里不能有任何超过 50ms 的操作，否则用户感觉到的就是卡顿。改成线程后还要注意一个细节：在线程run()里不要直接操作 QLabel 或 QTableWidget，这些控件不是线程安全的，必须通过pyqtSignal把结果传回主线程再更新。

5.4 全员识别成同一个人：训练样本太少或误把背景当人脸

现象是无论谁站到摄像头前，识别结果全部显示 A 的姓名，或者几乎每次都返回 -1。原因大概率有两个：样本量不够，每个员工只存了 5 张照片，LBPH 把所有人往同一类上拟合；还有一种可能是采集样本时把非人脸区域也保存了，训练集里大量“空脸”，模型被污染。解决方法是每个工号至少 30 张，且保证图像里有完整的眉毛、眼睛、鼻子区域；训练前在采集脚本里打印检测框的宽高，如果框明显小于真实人脸，说明minSize设小了，把背景框进来是常见误操作。训练完成后，立刻对着摄像头做一次自测，把 confidence 打出来，低于 80 才算基本合格。

5.5 中文路径读不到样本：cv2.imread 的编码问题

现象是程序在 Linux 上跑得好好的，换到 Windows 后，cv2.imread("data/样本/10001/1.jpg")直接返回 None。原因是 OpenCV 的imread在 Windows 下对中文路径支持很差，底层用的是系统编码。解决办法是用np.fromfile读取字节再交给cv2.imdecode，写文件时用cv2.imencode：

def imread_unicode(path): data = np.fromfile(path, dtype=np.uint8) return cv2.imdecode(data, cv2.IMREAD_COLOR) def imwrite_unicode(path, img): ext = os.path.splitext(path)[1] ok, buffer = cv2.imencode(ext, img) if ok: buffer.tofile(path)

考勤系统里员工姓名经常就是中文，如果数据库和文件夹都用工号，问题不大；但一旦涉及“按姓名导出考勤表”，文件路径里的中文名就会触发这个坑。我建议整个项目绝对路径下不要有任何中文目录，所有员工文件夹只用数字工号，姓名只存在数据库和界面显示层。

5.6 模型文件读取后 predict 报错：OpenCV 版本或标签类型不匹配

现象是训练完成后写出的face_model.yml，换台电脑读取时报TypeError或cv2.error。原因可能是训练时标签数组用了 Python 列表而不是 numpy 数组；LBPH 在 OpenCV 4.x 要求标签必须是np.int32。训练脚本里必须写labels = np.array(labels, dtype=np.int32)。另外，recognizer.read(model_path)之后最好调用一次recognizer.setThreshold(80)，因为 yml 文件里不一定保存了 threshold，不设置的话会用默认阈值，预测结果可能完全不是你想要的效果。模型跟随源码一起分发时，要注意 OpenCV 的大版本必须一致，4.5 训练出来的 yml 在 4.4 上有时可以读，有时会报 “The NodeType” 之类的错误，最好在 requirements.txt 里锁定版本号。

6. 从能签到到考勤可用：准确率验证与三个实用改进

6.1 先给识别器出一份成绩单：在测试集上算准确率

不要凭“感觉挺准”就上线。我会先从每个员工手里额外采集 10 张不参与训练的照片，单独放到data/test/工号/目录，然后跑一段验证脚本：

import glob, cv2, numpy as np recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read("data/models/face_model.yml") recognizer.setThreshold(80) correct = 0 total = 0 for path in glob.glob("data/test/*/*.jpg"): true_label = int(path.split("/")[-2]) img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (160, 160)) pred_label, conf = recognizer.predict(img) total += 1 if pred_label == true_label and conf < 80: correct += 1 print(f"准确率: {correct / total:.2f}")

准确率低于 0.90 时，别急着改界面，先把样本数和光照条件补起来。我还会打印所有预测失败的 confidence 分布，如果失败样本的 confidence 普遍在 100 到 120 之间，就说明阈值 80 太严，可以放松到 95；如果失败的样本 confidence 只有 60 却依然预测错，说明模型本身就分不清两个员工，加样本比调阈值更管用。

6.2 三个低成本改进：换识别器、导出 Excel、增量训练

想让识别效果向人脸识别门禁机靠近，最直接的办法是把 LBPH 换成face_recognition库或 ArcFace 的 Python SDK。LBPH 在正脸、均匀光照下够用，但侧脸、遮挡、暗光环境确实不稳定。face_recognition底层是深度学习模型，使用门槛不高，只是人脸向量维度更高、比对耗时稍长。对考勤这种低频场景，完全可以承担。如果追求更高精度，再考虑 ArcFace，不过那就需要 GPU 或者至少 CPU 推理库了。

导出 Excel 是让行政人员愿意用这个系统的关键。考勤数据躺在 SQLite 里，很多人不会写 SQL。加一个按钮，用 pandas 读取attendance表，按月透视成表格：

import pandas as pd df = pd.read_sql("SELECT * FROM attendance", sqlite3.connect("data/attendance.db")) pivot = df.pivot_table(index="employee_id", columns="check_time", values="status", aggfunc="first") pivot.to_excel("考勤统计.xlsx")

增量训练解决的是“老员工模型里没有新员工”的问题。新员工入职，只采集他的样本，然后加载已有模型继续train()，最后write()回同一个文件，而不是把所有老照片重新训练。注意 OpenCV 的 LBPH 在同一实例上连续train()会累积新数据，但 OpenCV 4.5 有个坑：新训练的数据和旧模型合并时会降低旧员工的特征权重，所以新员工样本最好一次采集 50 张以上。

6.3 我最后的习惯：先看日志，再调阈值，最后改界面

最后一次给同事做考勤系统时，我把阈值默认设成了 150，结果所有人互相串脸，场面非常尴尬。后来我养成了一个习惯：所有识别结果先写入日志，包括 label、confidence、时间、摄像头帧号，跑一天再统计日志里的 distribution。这样调参数时有数据依据，而不是靠肉眼“好像准了”。阈值、滑动窗口大小、检测的minNeighbors，每改一个参数就重新跑一遍测试集。界面永远放最后改，因为数据不稳定的系统，界面再好看也没用。

做这类基于 python+opencv 人脸识别的考勤签到系统，最大的成就感不是它识别得多准，而是它稳定地跑了三个月，没人抱怨打卡记录对不上。希望你也能先跑通最小闭环，再盯准参数和日志，把它做成真正敢交给行政用的工具。希望帮到你。

本文还有配套的精品资源，点击获取