人脸识别系统

基于OpenCV和MySQL的活体检测人脸识别系统，支持用户注册和人脸验证功能。

📋 目录

• 项目简介
• 技术特性
• 系统架构
• 环境要求
• 安装配置
• 使用方法
• 功能说明
• 核心算法详解
• 性能优化
• 故障排除
• 扩展开发
• 许可证

🚀 项目简介

本项目是一个完整的人脸识别解决方案，集成了以下核心功能：

• 🔍 活体检测：通过左右转头动作验证真实用户
• 👤 人脸注册：采集用户人脸特征并存储到数据库
• ✅ 人脸验证：实时人脸识别和身份验证
• 🌐 Web界面：基于Streamlit的友好用户界面

🛠 技术特性

核心算法

• 人脸检测：OpenCV Haar Cascades（支持正脸和侧脸检测）
• 特征提取：LBP (Local Binary Patterns) 局部二值模式
• 人脸识别：LBPH (Local Binary Patterns Histograms) 识别器
• 活体检测：基于头部转动的活体验证机制

匹配策略

• 双重验证：LBPH距离 ≤ 70 且 直方图相似度 ≥ 90%
• 抗干扰：光照补偿和直方图均衡化
• 稳健性：多角度人脸检测和位移跟踪

🏗 系统架构

大作业/
├── main_app.py          # 主应用程序（Streamlit界面）
├── face_utils.py        # 人脸识别核心工具类
├── database_init.py     # 数据库初始化脚本
├── run.py              # 启动脚本
├── requirements.txt    # 依赖包列表
├── face_images/        # 用户人脸图像存储目录
└── README.md          # 项目说明文档

📋 环境要求

系统要求

• Python 3.10+
• MySQL 5.7+ 或 8.0+
• 摄像头设备

Python依赖

streamlit==1.28.1
opencv-python==4.8.1.78
opencv-contrib-python==4.8.1.78
mysql-connector-python==8.1.0
numpy==1.24.3
Pillow==10.0.1

⚙️ 安装配置

1. 环境准备

确保已安装Python 3.10环境：

# 使用conda创建环境（推荐）
conda create -n face_recognition python=3.10
conda activate face_recognition

2. 安装依赖

# 进入项目目录
cd 大作业/

# 安装依赖包
pip install -r requirements.txt

3. 数据库配置

安装MySQL

• 下载并安装MySQL Server
• 创建root用户，密码设置为root
• 确保MySQL服务运行在默认端口3306

数据库结构

系统会自动创建以下数据库结构：

CREATE DATABASE face_recognition;

CREATE TABLE users (
    id INT AUTO_INCREMENT PRIMARY KEY,
    username VARCHAR(100) UNIQUE NOT NULL,
    face_encoding LONGTEXT NOT NULL,
    face_image_path VARCHAR(255) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

4. 配置修改

如需修改数据库连接参数，请编辑 database_init.py 文件：

connection = mysql.connector.connect(
    host='localhost',      # 数据库主机
    port=3306,            # 数据库端口
    user='root',          # 用户名
    password='root'       # 密码
)

🚀 使用方法

快速启动

使用提供的启动脚本：

python run.py

手动启动

1. 初始化数据库：

python database_init.py

2. 启动Web应用：

streamlit run main_app.py

3. 访问应用： 浏览器打开 http://localhost:8501

📖 功能说明

用户注册流程

1. 输入用户名：在注册界面输入唯一用户名
2. 活体检测：按照系统提示完成以下动作
   • 保持正脸朝向摄像头
   • 向左转头并保持0.8秒
   • 向右转头并保持0.8秒
   • 回到正脸位置完成采集
3. 特征提取：系统自动提取人脸LBP特征
4. 数据存储：将用户信息和特征存储到数据库

人脸验证流程

1. 启动验证：点击"开始人脸验证"按钮
2. 活体检测：重复注册时的转头动作
3. 身份识别：
   • 使用LBPH模型进行初步识别
   • 通过直方图相似度进行二次验证
   • 双重条件满足才能通过验证
4. 结果显示：显示识别结果和置信度

系统信息

• 查看已注册用户列表
• 显示系统技术参数
• 数据库连接状态

🔬 核心算法详解

LBP特征提取

Local Binary Patterns（局部二值模式）是一种有效的纹理描述算子：

1. 邻域比较：对每个像素与其8邻域像素进行比较
2. 二进制编码：生成8位二进制码
3. 直方图统计：计算LBP码的分布直方图
4. 特征归一化：对直方图进行归一化处理

活体检测机制

通过分析用户的头部转动来验证真实性：

1. 多角度检测：同时检测正脸、左侧脸、右侧脸
2. 运动跟踪：跟踪人脸中心点位移
3. 状态机控制：严格的转头序列验证
4. 时间约束：每个动作需保持足够时间

识别匹配策略

采用双重验证机制提高准确性：

1. LBPH识别：使用训练好的LBPH模型进行初步识别
2. 相似度验证：计算直方图特征的卡方距离
3. 阈值判断：LBPH距离≤70 且 相似度≥90%
4. 结果输出：显示匹配用户和置信度

⚡ 性能优化

图像预处理

• 直方图均衡化：改善光照不均问题
• 尺寸标准化：统一人脸ROI为200x200像素
• 灰度转换：减少计算复杂度

检测优化

• 多尺度检测：适应不同距离的人脸
• 级联分类器：提高检测速度和准确性
• 抗抖动机制：避免检测结果频繁跳变

🔧 故障排除

常见问题

1. 摄像头无法打开

• 检查摄像头是否被其他程序占用
• 确认摄像头驱动正常安装
• 尝试更换USB端口

2. 数据库连接失败

• 确认MySQL服务正在运行
• 检查用户名密码是否正确
• 验证端口3306是否开放

3. 人脸检测失败

• 确保光线充足
• 调整摄像头角度和距离
• 检查OpenCV安装是否完整

4. 识别准确率低

• 重新注册用户提高特征质量
• 确保注册和验证环境光照一致
• 调整识别阈值参数

调试模式

启用详细日志输出：

import logging
logging.basicConfig(level=logging.DEBUG)

🔮 扩展开发

添加新功能

1. 批量用户导入：支持从文件批量导入用户
2. 访问日志记录：记录所有验证尝试
3. 多摄像头支持：支持选择不同摄像头设备
4. 移动端适配：开发移动端友好界面

算法改进

1. 深度学习模型：集成CNN或Transformer模型
2. 3D人脸识别：使用深度摄像头进行3D建模
3. 多模态融合：结合声纹、虹膜等生物特征
4. 边缘计算优化：模型量化和加速推理

📄 许可证

本项目仅供学习和研究使用。

🆘 技术支持

如遇到问题或需要技术支持，请：

1. 检查本文档的故障排除部分
2. 查看项目代码中的注释说明
3. 确认环境配置是否正确

📝 更新日志

v1.0.0

• ✅ 实现基础人脸注册和验证功能
• ✅ 集成活体检测机制
• ✅ 完成Web界面开发
• ✅ 添加数据库存储支持

---

⚠️ 注意：本系统设计用于教学和演示目的，在生产环境使用前请进行充分的安全性和稳定性测试。