基于Python与OpenCV的人脸识别门禁系统开发实战

简介：这是一套基于Python的人脸识别智能小区门禁管理系统源码，面向Python学习者、计算机专业学生及安防系统开发者，用于解决小区出入身份验证与门禁自动化管理问题。资源包共101个文件，大小约12.17MB，文件类型涵盖.py源码、.pyc编译文件、.ui界面文件、图片素材、.sql数据库脚本、说明文档及模型文件等，能覆盖从界面展示到底层数据存储的多个环节。系统包含数据采集、人脸识别、数据管理、用户界面和访问控制等模块，源码中实现了前端人脸采集与后端MySQL存储联动，以及人脸比对、放行判定和出入记录生成逻辑。目前已有36人学习或下载，配套文档和图片素材有助于理解整体架构，适合作为课程设计、毕业设计或人脸识别项目开发的参考，便于二次开发。

1. 人脸识别门禁系统源码：先看清这套Python项目能干什么

做小区门禁，老办法是刷卡、按密码、保安盘问，卡丢了补卡要钱，密码泄露了安全等于零。人脸识别的好处是“人即凭证”，不用带卡、不用记密码，走到摄像头前停一秒就开门，后台自动留记录。这套基于Python的人脸识别智能化小区门禁管理系统，正是把这条链路完整实现出来的参考项目——前端摄像头采集人脸，后端MySQL存用户信息和出入记录，识别通过就控制门禁开关，整个过程不需要人工介入。

它不是一个大而全的商业产品，而是一个值得拿来拆解、改造成自己课设或毕设项目的完整源码包。资源里附带需要文档、多张测试图片以及README，从环境配置到数据库建表再到识别逻辑，都能对得上。适合正在做Python课设、毕业设计，或者想了解OpenCV人脸识别工程化落地方式的开发者。接下来我按实际复现的顺序，带你把这套系统从头到尾过一遍，讲清楚原理、步骤和容易翻车的地方。

2. 系统架构与识别流程：从摄像头到数据库的完整链路

2.1 模块划分与数据流

整套系统在架构上并不复杂，核心就是“采集→处理→比对→控制→记录”五步。我第一次拆这个项目的时候，先不看代码，只把文件结构和需求文档翻了一遍，发现它在设计上是分了层的，每一层干一件事，耦合度比较低，这对我后期改代码非常友好。

• 数据采集层：调用摄像头实时捕获画面，或者读取本地图片，拿到原始的人脸图像。
• 图像预处理层：把采集到的图像转为灰度图、做直方图均衡化、裁剪出人脸区域，减少光照和背景干扰。
• 人脸识别层：用OpenCV的训练器或深度学习模型提取人脸特征，与MySQL里存的样本特征做比对，输出匹配结果和置信度。
• 业务逻辑层：根据识别结果决定是否开锁，同时把“谁在什么时间进出”写入MySQL的出入记录表。
• 用户交互层：提供登记人脸、删除用户、查看记录的操作入口，界面不需要多华丽，功能完整就行。

数据流的方向很明确：摄像头/图片 → 人脸检测 → 特征提取 → 数据库比对 → 门禁控制 → 写入记录。这套设计里最值得学习的一点是，识别和存储是分离的。识别模块只负责“认出这个人”，存储模块只负责“存住这些人和记录”，两者通过统一的接口对接。你要是想把它改成宿舍门禁、实验室门禁，只需要换数据采集源和开锁逻辑，其他模块基本不用大动。

2.2 人脸识别流水线：检测、对齐、特征提取与比对

人脸识别不是一步到位的，实际处理时是一条流水线。我以系统里用到的OpenCV方案为例拆开讲。

第一步是人脸检测，常见做法是用OpenCV自带的Haar级联分类器，加载haarcascade_frontalface_default.xml模型，对灰度图做多尺度扫描，返回人脸矩形坐标。检测到人脸之后，要把人脸区域裁出来，缩放到统一尺寸，再送进识别器。

import cv2 # 加载Haar级联分类器，OpenCV自带模型文件 face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml") # 无论从图片还是视频帧来，都先转灰度，降低计算量 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # detectMultiScale的参数直接影响检测效果 faces = face_cascade.detectMultiScale( gray, scaleFactor=1.1, # 每次缩放比例，越小检测越慢但越准 minNeighbors=5, # 附近至少5个框都认为是人脸才保留，过滤误检 minSize=(80, 80) # 人脸最小尺寸，小于这个尺寸直接忽略 ) for (x, y, w, h) in faces: # 裁出人脸区域并统一缩放到200x200，方便送入识别器 face_roi = gray[y:y+h, x:x+w] face_roi = cv2.resize(face_roi, (200, 200))

这段代码是整个系统里最常被调用的部分。scaleFactor和minNeighbors是两个需要重点调试的参数，后面避坑章节我会详细讲。检测到的人脸区域，会传给识别器做进一步处理。

第二步是特征提取和比对，系统用的是OpenCV自带的LBPH（局部二值模式直方图）人脸识别器。LBPH的原理是把人脸图像划分成若干小区域，在每个区域内计算局部二值模式特征，再统计成直方图作为这张脸的“指纹”。比对时计算当前人脸直方图与数据库中人脸直方图的距离，距离越小说明越像。

import cv2 import os # 创建LBPH识别器，这是OpenCV内置的经典算法 recognizer = cv2.face.LBPHFaceRecognizer_create() # 训练数据格式：一组人脸灰度图 + 对应的用户ID faces = [] labels = [] for image_path, user_id in training_samples: img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (200, 200)) faces.append(img) labels.append(user_id) # 训练模型，把特征写入model.yml recognizer.train(faces, np.array(labels)) recognizer.save("model.yml")

训练好模型之后，识别时调用predict方法，返回两个值：预测的用户ID和置信度。置信度越低表示匹配度越高，一般LBPH的置信度阈值设在50到80之间，超过这个范围就认为是陌生人。系统里门禁放行逻辑就是拿这个置信度和阈值比较。

# 加载训练好的模型 recognizer.read("model.yml") # 对当前采集到的人脸做预测 label, confidence = recognizer.predict(face_roi) # 置信度越低越可信，超过阈值判定为陌生人 if confidence < 60: print(f"识别成功：用户ID {label}，置信度 {confidence:.2f}") # 这里触发开锁逻辑，比如给GPIO一个高电平 else: print("陌生人，不允许通行")

这里有个容易被忽略的设计点：LBPH识别的是“人脸的相似程度”，不是绝对的身份判断。同一个人的脸在不同光照、不同角度下，置信度会波动很大，所以阈值不能拍脑袋定死。我在复现的时候是先采集了一批样本，统计同一人和不同人的置信度分布，再取中间的平衡点作为阈值，效果比默认值好很多。

2.3 访问控制逻辑与记录生成

识别完成之后，系统不会直接开锁，中间还夹着一个访问控制逻辑。这套系统的处理方式是：识别成功且置信度在阈值内，控制逻辑给门禁设备发送开锁信号，同时把用户ID、识别时间、识别结果写到MySQL的access_record表里；识别失败则只记录一条“未授权”的日志，不触发开锁。这样设计的好处是每一笔通行都有据可查，物业查监控的时候能精确到人。

从整个架构来看，这个项目的选型是中规中矩但非常务实的。没有用特别前沿的深度学习模型，而是选了OpenCV自带的人脸检测和LBPH识别器，理由是它依赖少、跑得快、普通笔记本就能在实时视频流上跑得动。如果你手头有GPU和大量标注数据，替换成FaceNet或者ArcFace会更准，但作为学习项目，先把LBPH这条路走通是性价比最高的选择。

3. 环境搭建与依赖配置：Python、OpenCV与MySQL的对接

3.1 依赖清单与安装步骤

这套系统对运行环境的要求并不苛刻，主要在“能用”和“能跑实时”之间取平衡。我建议使用64位Python 3.8到3.10之间的版本，搭配OpenCV-Python、OpenCV-contrib-Python、NumPy、PyMySQL这几个核心依赖。LBPH识别器在OpenCV的contrib包里，只装opencv-python是不够的，这个坑我踩过，不装contrib直接报module 'cv2' has no attribute 'face'。

# 建议先升级pip再装依赖 python -m pip install --upgrade pip # 核心依赖：opencv-python不带face模块，必须装contrib版本 pip install opencv-python pip install opencv-contrib-python # 科学计算和MySQL驱动 pip install numpy pip install pymysql # 如果你需要GUI界面，建议再加一个tkinter（Python自带，无需pip）

装完后在Python交互环境里验证一下，确认cv2.face.LBPHFaceRecognizer_create能正常调用，别等代码写了一大半才发现环境不对。我一般会用一个最小化脚本做烟雾测试，能跑通再往下走。

import cv2 import numpy as np import pymysql print("OpenCV版本:", cv2.__version__) # 验证LBPH识别器是否可用 recognizer = cv2.face.LBPHFaceRecognizer_create() print("LBPH识别器初始化成功") # 验证MySQL连接，参数替换成你自己的 conn = pymysql.connect(host="localhost", user="root", password="123456", database="door_system") print("MySQL连接成功") conn.close()

如果cv2.face这一行报错，99%的情况是opencv-contrib-python没装成功，或者被opencv-python覆盖了版本，卸载重装一遍就好。

3.2 数据库初始化与连接参数

MySQL部分我建议先手工建好库和表，再跑Python代码，别指望程序自动建库。这个项目的表结构围绕两个核心实体设计：用户表和出入记录表。用户表存人脸的标识信息和图片路径，出入记录表存每一次的通行日志。两张表通过用户ID关联。

-- 创建数据库，指定utf8mb4字符集，避免中文乱码 CREATE DATABASE IF NOT EXISTS door_system DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; USE door_system; -- 用户信息表 CREATE TABLE IF NOT EXISTS user_info ( id INT AUTO_INCREMENT PRIMARY KEY, user_name VARCHAR(50) NOT NULL, face_image_path VARCHAR(255) NOT NULL, register_time DATETIME DEFAULT CURRENT_TIMESTAMP ) ENGINE=InnoDB; -- 出入记录表 CREATE TABLE IF NOT EXISTS access_record ( id INT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL, access_time DATETIME DEFAULT CURRENT_TIMESTAMP, access_result VARCHAR(20) NOT NULL, FOREIGN KEY (user_id) REFERENCES user_info(id) ) ENGINE=InnoDB;

Python这边的MySQL连接参数有一个容易踩坑的地方：字符集没有显式指定时，即使数据库建表用了utf8mb4，插入中文姓名也有大概率出现乱码。所以连接时必须带上charset="utf8mb4"。

import pymysql # host、user、password按你的实际环境改 conn = pymysql.connect( host="localhost", user="root", password="123456", database="door_system", charset="utf8mb4", # 不指定这个，中文大概率乱码 cursorclass=pymysql.cursors.DictCursor # 返回字典，取字段名方便 ) cursor = conn.cursor()

连接参数里还有一个容易被忽略的细节：cursorclass设为DictCursor之后，查询结果每行是一个字典，可以用row["user_name"]取值，比默认的元组下标方式可读性好很多。门禁系统里要频繁把用户ID和人脸特征对应起来，用字典游标能让代码干净不少。

3.3 人脸样本采集脚本

数据库建好了，下一步就是把用户的照片采集进来。这套系统的样本采集方式很直接，用摄像头拍用户的正面照，每按一次空格存一张，采集完自动把图片路径写入user_info表。注意，每个人的样本至少需要10张以上，而且要在不同角度、不同光照下采集，否则后面训练出来的模型是“偏科”的。

import cv2 import os import pymysql # 样本保存目录，按用户ID建子文件夹 save_dir = "face_samples" os.makedirs(save_dir, exist_ok=True) # 连接数据库 conn = pymysql.connect(host="localhost", user="root", password="123456", database="door_system", charset="utf8mb4") cursor = conn.cursor() # 创建用户记录，拿到自增ID user_name = input("请输入姓名: ") cursor.execute("INSERT INTO user_info (user_name) VALUES (%s)", (user_name,)) conn.commit() user_id = cursor.lastrowid # 打开摄像头 cap = cv2.VideoCapture(0) if not cap.isOpened(): print("摄像头打开失败，检查设备索引") exit() count = 0 while count < 20: ret, frame = cap.read() if not ret: break # 实时显示当前画面，方便用户调整位置 cv2.imshow("collect", frame) # 按空格键采集当前帧 key = cv2.waitKey(1) & 0xFF if key == ord(" "): img_path = os.path.join(save_dir, f"user_{user_id}_{count}.jpg") cv2.imwrite(img_path, frame) count += 1 print(f"已采集 {count}/20 张") elif key == 27: # ESC退出 break cap.release() cv2.destroyAllWindows()

采集数量上我的建议是20张起步，快门按快一点，半分钟就能拍完。样本多样性比样本数量更重要——左脸、右脸、仰头一点、俯头一点、戴不戴眼镜各拍几张，比同一个姿势拍100张有用得多。

4. 数据库设计与核心代码实现：把门禁逻辑跑通的关键实现

4.1 从样本到模型：训练脚本与参数说明

样本采集完成后，要做一次模型训练，把每个人的脸部特征固化到model.yml文件里。训练脚本的任务是遍历样本目录，读取每一张图片、转灰度、检测人脸、缩放、提取特征并和用户ID关联。这一节是系统的“工厂车间”，门禁能不能认对人，取决于这一环做得好不好。

import cv2 import os import numpy as np # 样本根目录 sample_dir = "face_samples" faces = [] labels = [] # 遍历每个用户子目录 for user_folder in os.listdir(sample_dir): user_path = os.path.join(sample_dir, user_folder) # 文件夹名是 user_用户ID if not os.path.isdir(user_path): continue user_id = int(user_folder.split("_")[1]) for img_name in os.listdir(user_path): img_path = os.path.join(user_path, img_name) # 中英文路径统一处理，Windows下用imdecode避免中文乱码 img_array = np.fromfile(img_path, dtype=np.uint8) img = cv2.imdecode(img_array, cv2.IMREAD_GRAYSCALE) # 统一缩放，保持特征维度一致 img = cv2.resize(img, (200, 200)) faces.append(img) labels.append(user_id) # 创建并训练LBPH识别器 recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(labels)) recognizer.save("model.yml") print(f"训练完成，共 {len(faces)} 张样本")

训练完后，你会得到一个model.yml文件，这是一个文本格式的模型文件，里面保存了每个用户的LBPH直方图特征。识别时只需要加载这个文件，不需要再重新训练，启动速度很快。这里有个细节是样本图统一缩放成200x200，这个尺寸是精度和速度的折中，再大识别更稳但更慢，再小速度快但容易丢特征。

4.2 识别主循环：实时视频流与门禁控制

识别部分是整个系统的主程序，逻辑是：打开摄像头 → 逐帧检测人脸 → 用模型预测 → 根据置信度控制门禁 → 写入数据库。门禁控制在实际项目中一般通过串口或者GPIO控制继电器，但在源码包里用的是模拟方式——打印输出结果，方便在普通电脑上直接演示。

import cv2 import pymysql from datetime import datetime # 加载训练好的模型 recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read("model.yml") face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml") # 数据库连接 conn = pymysql.connect(host="localhost", user="root", password="123456", database="door_system", charset="utf8mb4") cursor = conn.cursor() def control_door(user_id, confidence): """模拟门禁控制，实际项目改为GPIO或串口信号""" if confidence < 60: cursor.execute( "INSERT INTO access_record (user_id, access_result) VALUES (%s, %s)", (user_id, "允许通行") ) conn.commit() print(f"用户 {user_id} 验证通过，门禁已打开") else: cursor.execute( "INSERT INTO access_record (user_id, access_result) VALUES (%s, %s)", (user_id, "未授权") ) conn.commit() print("验证失败，已记录未授权尝试") cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: print("获取视频帧失败") break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(80, 80)) for (x, y, w, h) in faces: face_roi = gray[y:y+h, x:x+w] face_roi = cv2.resize(face_roi, (200, 200)) # 预测用户ID和置信度 user_id, confidence = recognizer.predict(face_roi) control_door(user_id, confidence) # 在画面上画出人脸框和识别结果 cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) label_text = f"ID:{user_id} conf:{confidence:.1f}" cv2.putText(frame, label_text, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imshow("Door System", frame) if cv2.waitKey(1) & 0xFF == 27: break cap.release() cv2.destroyAllWindows()

识别主循环里最关键的变量就是confidence这个阈值。你仔细看代码会发现，control_door函数里判断的是小于60才放行，而predict返回的置信度是“距离”，距离越小越像同一个人。这个60是经验值，换一个摄像头、换一种光照环境就必须重新校准。

4.3 新增用户与管理功能的实现思路

除了识别开锁，门禁系统还得有管理功能。最常见的需求是给新住户录入人脸，或者删除离职员工的记录。这套源码的思路是复用采集脚本加一个参数判断：录入时插入user_info表并采集照片；删除时先根据姓名查ID，再删除对应记录和样本文件。

删除用户的时候有一个数据库约束相关的坑：如果这个用户在access_record表里有记录，直接删除user_info会因外键约束失败。所以要先删子表记录再删主表记录，顺序不能反。

def delete_user(user_name): """删除用户，注意先删访问记录再删用户""" cursor.execute("SELECT id FROM user_info WHERE user_name = %s", (user_name,)) row = cursor.fetchone() if not row: print(f"用户 {user_name} 不存在") return user_id = row["id"] # 先删出入记录，否则外键约束报错 cursor.execute("DELETE FROM access_record WHERE user_id = %s", (user_id,)) # 再删用户记录 cursor.execute("DELETE FROM user_info WHERE id = %s", (user_id,)) conn.commit() print(f"用户 {user_name} 已删除")

管理功能的核心价值在“关联性维护”。升级人脸特征需要重新训练模型，删除用户需要同时清理数据库记录和样本文件，这两件事但凡漏一个，系统就会产生“模型里有这个人，但库里找不到”或者反过来“库里有这个人，但模型不认他”的脏数据。建议每次做增删操作后，都重启一遍识别主程序，让模型和数据库重新对齐。

5. 避坑与常见排查：识别不准、乱码、摄像头离线三大难题

5.1 摄像头打不开：设备索引与资源释放问题

现象：运行采集脚本或识别主程序时，VideoCapture(0)返回False，或者程序直接卡死无响应。

原因：最常见的是设备索引不对。笔记本自带摄像头和USB摄像头同时存在时，索引0不一定是你想用的那个；另外，如果上一个程序没有正确释放摄像头资源，下一个程序就打不开同一个设备。

解决：先用一个临时脚本枚举所有摄像头索引，找到能用的那个，再把代码里的VideoCapture(0)改成对应的索引号。程序退出时一定要执行cap.release()，或者用try/finally保证资源被释放。

import cv2 # 枚举前3个摄像头索引，快速定位可用设备 for i in range(3): cap = cv2.VideoCapture(i) if cap.isOpened(): print(f"索引 {i} 可用") ret, frame = cap.read() if ret: cv2.imshow(f"camera {i}", frame) cv2.waitKey(500) cap.release() else: print(f"索引 {i} 不可用")

我实际使用时遇到过一个更隐蔽的情形：摄像头被某个后台进程占用了。用VideoCapture的时候打开成功，但一读取画面就报错。后来发现是电脑上装的一个视频会议软件在后台挂着，把摄像头占了。关掉软件、杀掉残留进程之后，程序恢复正常。

5.2 识别准确率忽高忽低：光照与样本单一性的影响

现象：同一人站在摄像头前，有时候能识别，有时候识别不了，置信度波动很大，偶尔还出现认错人的情况。

原因：LBPH对光照变化非常敏感，光线从左边照和从右边照，人脸的局部二值模式直方图差异会很大。另外就是训练样本太“干净”——同一姿势、同一亮度拍了20张，遇到真实场景的光照变化就露馅。

解决：第一个层面是在图像预处理时加强直方图均衡化，让灰度分布更均匀，削弱光照影响；第二个层面是重采样本，刻意在不同时间段、不同角度、戴不戴眼镜各拍几张，把环境多样性做进去。

import cv2 def preprocess_face(face_roi): """人脸预处理：灰度转换 + 直方图均衡化 + 缩放""" # 输入已经是灰度图时跳过cvtColor gray = face_roi if len(face_roi.shape) == 2 else cv2.cvtColor(face_roi, cv2.COLOR_BGR2GRAY) # 直方图均衡化，增强对比度，缓解光照不均 equalized = cv2.equalizeHist(gray) # 统一尺寸 resized = cv2.resize(equalized, (200, 200)) return resized

这个预处理函数在检测到人脸之后、送入predict之前调用一次，识别稳定性会有明显提升。还有一个容易被忽视的点：detectMultiScale检测出来的人脸框包含了一部分背景，如果背景特别杂乱或者人脸框里混入了衣服领子，特征里会掺进噪声。可以考虑把人脸框各方向内缩10个像素再裁剪，减少背景干扰。

5.3 中文乱码：Windows路径与MySQL字符集的双重陷阱

现象：训练样本时读取图片返回None，或者MySQL里显示的中文姓名变成一堆问号。

原因：这个问题是双重的，但根源一致——字符集处理不统一。Windows下OpenCV的imread不支持中文路径，路径里有中文就返回None；MySQL连接时如果不显式指定charset="utf8mb4"，即使数据库表是utf8mb4，写入中文也会因为连接层字符集不一致而乱码。

解决：图像读取用np.fromfile配合cv2.imdecode绕开imread；MySQL连接参数固定加charset="utf8mb4"。这两个改动写进代码后，基本能杜绝中文相关的隐患。

import cv2 import numpy as np def read_image_unicode(img_path): """兼容中文路径的图片读取""" # fromfile读出来是字节流，imdecode解码成图像 img_array = np.fromfile(img_path, dtype=np.uint8) img = cv2.imdecode(img_array, cv2.IMREAD_COLOR) return img

这个坑在Windows平台几乎必踩一次。我最初用cv2.imread读中文路径图片，返回的None导致后续所有操作全部报错，排查了半个小时才发现是路径编码的问题。从那以后，我在项目里所有涉及文件路径读取的地方，都统一走read_image_unicode这个函数，不再直接用imread。

5.4 置信度阈值拍脑袋定：识别结果和预期对不上

现象：换了一个环境后，之前在灯光良好时调好的阈值，现在要么放行太多陌生人，要么连本人都不给开门。

原因：LBPH的置信度本身是一个相对距离，它的大小受训练集规模、光照、人脸区域裁剪质量等多因素影响，并不存在一个万能的固定阈值。在不同运行环境下，同一个人的置信度可能从30漂移到70。

解决：把阈值调成一个可配置参数，放到配置文件或者系统开头，不要硬编码在业务代码里。调参的方法是采集一批“自己人”和“陌生人”样本，分别统计置信度分布，找到两类分布的分界点。这个工作花不了多少时间，但能避免很多现场翻车的尴尬。

# 把阈值放到配置区，方便现场调整 CONFIDENCE_THRESHOLD = 55 # 识别时先用预测置信度对比阈值 user_id, confidence = recognizer.predict(face_roi) if confidence < CONFIDENCE_THRESHOLD: # 放行逻辑 pass else: # 拒绝逻辑 pass

我在实际项目中调整阈值的流程是：先采集20张本人测试样本，记录置信度最小值到最大值的区间；再采集20张同事的样本，记录置信度区间；最后取两个区间中间偏安全一侧的值作为阈值。这样做的逻辑是，宁可偶尔拒绝本人一次，也不能轻易放陌生人进来，门禁系统的安全性优先级高于便利性。

6. 自测准确率与两类差距：确认这套门禁真的能“上班”

源码跑通从来不是终点，验证才是。我的习惯是搭一个简单的自测脚本，把测试样本分成两类来看结果：一类是注册过的“本人”，一类是没注册过的“陌生人”。程序自动预测每一张测试图片，并统计通过率、拒识率和误识率。

import cv2 import numpy as np import os recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read("model.yml") # 分别统计四类结果：真正、假真、假拒、真拒 TP = FP = FN = TN = 0 # 测试集根目录，下面分known和unknown两个子目录 for category in ["known", "unknown"]: test_dir = os.path.join("test_set", category) for img_name in os.listdir(test_dir): img_path = os.path.join(test_dir, img_name) img_array = np.fromfile(img_path, dtype=np.uint8) img = cv2.imdecode(img_array, cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (200, 200)) label, confidence = recognizer.predict(img) is_known = (category == "known") if label != -1 and confidence < 55: if is_known: TP += 1 else: FP += 1 else: if is_known: FN += 1 else: TN += 1 print(f"正确放行(TP): {TP} 误放陌生人(FP): {FP}") print(f"漏放自己人(FN): {FN} 正确拒陌生(TN): {TN}")

如果FP高，说明阈值太宽松，陌生人容易混进来，就往低了调；如果FN高，说明阈值太严格，自己人被挡在门外，就往高了调。这套验证流程下来，自己心里就有底了。

我在这套系统上踩过最深的坑就是阈值——最初用默认值80，结果公司同事一扫就开门，吓得我赶紧重测数据。后来我把调参流程固定成“先收集样本分布，再定阈值，最后跑一遍自测脚本确认”，每次部署新环境都强制走一遍这个流程，再没出过安全方面的幺蛾子。希望帮到你，愿你的门禁系统既认得出自己人，也挡得住陌生人。

本文还有配套的精品资源，点击获取