pycharm|python+pyside2+tensorflow2.2做一个人脸打卡界面（后续可发布exe可执行文件）深度学习|python

首先感谢大佬的博客对我的指点，主要功能是能实时从摄像头采集图片，实时进行人脸检验和人脸对比，并且能将已经打卡人的名字保存到txt文本中，另外还有一个管理员系统，登录后能录入人脸，录入姓名，效果如图：

文章图片

我的运行环境为：tensorflow=2.2.0,pyside2=5.15.2,python=3.8,numpy=1.19.3 人脸打卡界面主要包括了三个重要部分：

1.人脸检测和人脸对比部分

第一个是人脸检测和人脸对比部分，该部分是主要作用是找到摄像头中的人脸并与数据库里的人脸对比，如果存在相应的人脸，则将人脸名字和人脸的概率放在同一个界面上，话不多说直接上图：左边图片是博主我的脸，右边图的左上方是人脸的概率，右下方是名字（当然是xxx了，手动滑稽），人脸框绘制以及概率名字这部分代码为：

def detect_image(self, image):image = np.array(image, np.float32) old_image = np.array(image.copy(), np.uint8) #---------------------------------------------------# #Retinaface检测部分-开始 #---------------------------------------------------# # 数据的预处理 im_height, im_width, _ = np.shape(image)scale = [np.shape(image)[1], np.shape(image)[0], np.shape(image)[1], np.shape(image)[0]] scale_for_landmarks = [np.shape(image)[1], np.shape(image)[0], np.shape(image)[1], np.shape(image)[0], np.shape(image)[1], np.shape(image)[0], np.shape(image)[1], np.shape(image)[0], np.shape(image)[1], np.shape(image)[0]]if self.letterbox_image: image = letterbox_image(image,[self.retinaface_input_shape[1], self.retinaface_input_shape[0]]) anchors = self.anchors else: anchors = Anchors(self.cfg, image_size=(im_height, im_width)).get_anchors()#---------------------------------------------------# #图片预处理，归一化 #---------------------------------------------------# photo = np.expand_dims(preprocess_input(image),0)#---------------------------------------------------# #将处理完的图片传入Retinaface网络当中进行预测 #---------------------------------------------------# preds = self.retinaface.predict(photo)#---------------------------------------------------# #Retinaface网络的解码，最终我们会获得预测框 #将预测结果进行解码和非极大抑制 #---------------------------------------------------# results = self.bbox_util.detection_out(preds,anchors,confidence_threshold=self.confidence)#---------------------------------------------------# #如果没有预测框则返回原图 #---------------------------------------------------# if len(results)<=0: return old_imageresults = np.array(results) if self.letterbox_image: results = retinaface_correct_boxes(results, np.array((self.retinaface_input_shape[0], self.retinaface_input_shape[1])), np.array([im_height, im_width]))#---------------------------------------------------# #4人脸框置信度 #:4是框的坐标 #5:是人脸关键点的坐标 #---------------------------------------------------# results[:,:4] = results[:,:4]*scale results[:,5:] = results[:,5:]*scale_for_landmarks #---------------------------------------------------# #Retinaface检测部分-结束 #---------------------------------------------------##-----------------------------------------------# #Facenet编码部分-开始 #-----------------------------------------------# face_encodings = [] for result in results: #----------------------# #图像截取，人脸矫正 #----------------------# result= np.maximum(result, 0) crop_img= np.array(old_image)[int(result[1]):int(result[3]), int(result[0]):int(result[2])] landmark= np.reshape(result[5:],(5,2)) - np.array([int(result[0]),int(result[1])]) crop_img, _ = Alignment_1(crop_img,landmark)#----------------------# #人脸编码 #----------------------# # 不失真的resize，然后进行归一化 crop_img = np.array(letterbox_image(np.uint8(crop_img),(self.facenet_input_shape[1],self.facenet_input_shape[0])))/255 crop_img = np.expand_dims(crop_img,0) # 利用图像算取长度为128的特征向量 face_encoding = self.facenet.predict(crop_img)[0] face_encodings.append(face_encoding) #-----------------------------------------------# #Facenet编码部分-结束 #-----------------------------------------------##-----------------------------------------------# #人脸特征比对-开始 #-----------------------------------------------# face_names = [] P=Pinyin() for face_encoding in face_encodings: # 取出一张脸并与数据库中所有的人脸进行对比，计算得分 matches, face_distances = compare_faces(self.known_face_encodings, face_encoding, tolerance = self.facenet_threhold) name = "Unknown" #print(face_distances) # 找到已知最贴近当前人脸的人脸序号 best_match_index = np.argmin(face_distances) if matches[best_match_index]: name = self.known_face_names[best_match_index] face_names.append(name) #-----------------------------------------------# #人脸特征比对-结束 #-----------------------------------------------# def chinese(strs): if '\u4e00' <= strs[0] <= '\u9fa5': return True else: return Truefor i, b in enumerate(results): text = "{:.4f}".format(b[4]) b = list(map(int, b)) cv2.rectangle(old_image, (b[0], b[1]), (b[2], b[3]), (0, 0, 255), 2) cx = b[0] cy = b[1] + 12 # print(text) cv2.putText(old_image, text, (cx, cy), cv2.FONT_HERSHEY_DUPLEX, 0.5, (255, 255, 255))# landms cv2.circle(old_image, (b[5], b[6]), 1, (0, 0, 255), 4) cv2.circle(old_image, (b[7], b[8]), 1, (0, 255, 255), 4) cv2.circle(old_image, (b[9], b[10]), 1, (255, 0, 255), 4) cv2.circle(old_image, (b[11], b[12]), 1, (0, 255, 0), 4) cv2.circle(old_image, (b[13], b[14]), 1, (255, 0, 0), 4)name = face_names[i] name = "".join(name.split(".jpg")) panduan=chinese(name) if panduan==True: name1 = name name = P.get_pinyin(name) else: name1 = name name=name font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(old_image, name, (b[0] , b[3] - 15), font, 0.75, (255, 255, 255), 2) #--------------------------------------------------------------# #cv2不能写中文，加上这段可以，但是检测速度会有一定的下降。 #如果不是必须，可以换成cv2只显示英文。 #--------------------------------------------------------------# #old_image = cv2ImgAddText(old_image, name, b[0]+5 , b[3] - 25) return old_image,name1

2.UI界面设计