人脸签到系统 pyQT+数据库+深度学习

一、简介

        人脸签到系统是一种基于人脸识别技术的自动签到和认证系统。它利用计算机视觉和深度学习算法来检测、识别和验证个体的面部特征，以确定其身份并记录其出现的时间。这个系统通常用于各种场景，包括企业、学校、会议、活动和公共交通等，以替代传统的签到方式，如签到表或磁卡，提供更高的安全性、准确性和便捷性。

二、效果展示

*左上角是采集人脸和签到的界面显示

*左下角输入采集人脸的信息

*右侧实时展示已经存放人脸的各种属性信息

三、实现细节

1、多线程实时现实摄像头内容

        采用QT多线程实时对摄像头捕捉到的画面进行显示，当点击结束签到时，程序退出摄像头线程

class SignThread(QThread):
    changePixmap = pyqtSignal(QImage)
    update_database=pyqtSignal(str)

    def run(self):

        self.is_running=True
        cap = cv2.VideoCapture(0,cv2.CAP_DSHOW)
        while True:
            ret, frame = cap.read()
            if ret and self.is_running:

                cls,rate=predict(frame)
                if float(rate)>70:
                    print(rate)

                    conn = sqlite3.connect("data.db")
                    cursor = conn.cursor()

                    # cursor.execute("INSERT OR REPLACE INTO students VALUES (?, ?, ?, ?, ?, ?)",
                    #                (student_id, name, age, classname, major, sign_up))
                    cursor.execute("UPDATE students SET sign_up=? WHERE name=?", ('是', cls))

                    conn.commit()
                    conn.close()

                    self.update_database.emit("签到人:"+cls+",   准确率:"+rate)

                rgbImage = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

                h, w, ch = rgbImage.shape
                bytesPerLine = ch * w
                image = QImage(rgbImage.data, w, h, bytesPerLine, QImage.Format_RGB888)
                self.changePixmap.emit(image)
            else:
                #当按下暂停键，停止键以后，界面变为白色
                width = 640
                height = 480

                # 创建一个全白色的 QImage
                white_color = QColor(255, 255, 255)  # 白色
                image = QImage(width, height, QImage.Format_RGB888)
                image.fill(white_color)
                self.changePixmap.emit(image)
                break

    def stop(self):
        self.is_running=False

2、深度学习

在train.py对录取人脸手动进行训练，训练完成后，打开main.py主界面进行预测识别，开始签到

#数据增强的方式
traintransform = transforms .Compose([
 transforms .RandomRotation (20),               #随机旋转角度
 transforms .ColorJitter(brightness=0.1),     #颜色亮度
 transforms .Resize([224, 224]),               #设置成224×224大小的张量
 transforms .ToTensor(),                        # 将图⽚数据变为tensor格式
# transforms.Normalize(mean=[0.485, 0.456, 0.406],
# std=[0.229, 0.224, 0.225]),
])


valtransform = transforms .Compose([
 transforms .Resize([224, 224]),
 transforms .ToTensor(), # 将图⽚数据变为tensor格式
])


trainData = dsets.ImageFolder (trainpath, transform =traintransform ) # 读取训练集，标签就是train⽬录下的⽂件夹的名字，图像保存在格⼦标签下的⽂件夹⾥
valData = dsets.ImageFolder (valpath, transform =valtransform )       #读取演正剧
trainLoader = torch.utils.data.DataLoader(dataset=trainData, batch_size=batch_size, shuffle=True)     #将数据集分批次  并打乱顺序
valLoader = torch.utils.data.DataLoader(dataset=valData, batch_size=batch_size, shuffle=False)          #将测试集分批次并打乱顺序

train_sum=len(trainData)    #计算  训练集和测试集的图片总数
test_sum = len(valData)

import numpy as np

import torchvision.models as models
model = models.resnet50(pretrained=True) #pretrained表⽰是否加载已经与训练好的参数
model.fc = torch.nn.Linear(2048, num_of_classes) #将最后的fc层的输出改为标签数量（如3）,512取决于原始⽹络fc层的输⼊通道
model = model.to(device) # 如果有GPU，⽽且确认使⽤则保留；如果没有GPU，请删除

criterion = torch.nn.CrossEntropyLoss() # 定义损失函数

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) # 定义优化器

from torch.autograd import Variable
#定义训练的函数
def train(model, optimizer, criterion):
    model.train()
    total_loss = 0
    train_corrects = 0
    for i, (image, label) in enumerate (tqdm(trainLoader)):
         image = Variable(image.to(device)) # 同理
         label = Variable(label.to(device)) # 同理
         #print(i,image,label)
         optimizer.zero_grad ()
         target = model(image)
         loss = criterion(target, label)
         loss.backward()
         optimizer.step()
         total_loss += loss.item()
         max_value , max_index = torch.max(target, 1)
         pred_label = max_index.cpu().numpy()
         true_label = label.cpu().numpy()
         train_corrects += np.sum(pred_label == true_label)
    return total_loss / float(len(trainLoader)), train_corrects / train_sum


testLoader=valLoader
#定义测试的函数
def evaluate(model, criterion):
    model.eval()
    corrects = eval_loss = 0
    with torch.no_grad():
        for image, label in tqdm(testLoader):
            image = Variable(image.to(device)) # 如果不使⽤GPU，删除.cuda()
            label = Variable(label.to(device)) # 同理
            pred = model(image)
            loss = criterion(pred, label)
            eval_loss += loss.item()
            max_value, max_index = torch.max(pred, 1)
            pred_label = max_index.cpu().numpy()
            true_label = label.cpu().numpy()
            corrects += np.sum(pred_label == true_label)
    return eval_loss / float(len(testLoader)), corrects, corrects / test_sum

3、数据库设计

例如下：对新生信息进行插入操作

student_id = self.studentID.text()
name = self.name.text()
age = self.age.text()
classname = self.classname.text()
major = self.major.text()
sign_up='否'

conn = sqlite3.connect("data.db")
cursor = conn.cursor()

cursor.execute("INSERT OR REPLACE INTO students VALUES (?, ?, ?, ?, ?, ?)",
               (student_id, name, age, classname, major,sign_up))

conn.commit()
conn.close()

self.label_txt.setText(f"Saved: {name}")
self.show_data()

如果这份博客对大家有帮助，希望各位给恒川一个免费的点赞作为鼓励，并评论收藏一下⭐，谢谢大家！！！
制作不易，如果大家有什么疑问或给恒川的意见，欢迎评论区留言。