一、整体介绍

整个系统使用YOLOv8训练检测人脸的模型+深度学习特征提取来实现。可以对人员进行录入和删除等操作，录入可以使用图片和摄像头实时录入，识别也可以使用图片和摄像头实时识别。可以对识别记录进行保存。

二、人脸检测

人脸检测部分使用YOLOv8训练的检测模型来实现。

首先是源码和数据，然后对数据进行预处理（标注、数据增强等操作），最后就是训练就可以得到模型。

下图是数据标注的截图。

下面是一个简单的训练代码。

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # 预训练模型路径

model.train(
    data="data.yaml",       # 数据集根目录（需包含train子目录）
    imgsz=640,           # 图像尺寸
    device="cpu",        # 训练设备
    batch=8,             # 批量大小
    epochs=100,           # 训练轮次
    pretrained=True      # 启用预训练权重
)

下图是模型检测的效果。

有了人脸检测的模型，我们就可以在这个模型的基础上加入口罩检测，体温检测（红外），人脸识别等。

三、人脸识别

人脸识别部分使用深度学习特征提取（VGG16）。

下面是VGG16在改系统中的应用代码片段。

# 使用的深度学习特征提取
def extract_face_features(face_img):
    # 使用VGG16提取深度特征
    face_img = cv2.resize(face_img, (128, 128))
    if len(face_img.shape) == 2:
        face_img = cv2.cvtColor(face_img, cv2.COLOR_GRAY2RGB)
    else:
        face_img = cv2.cvtColor(face_img, cv2.COLOR_BGR2RGB)
    
    face_img = face_img.astype('float32') / 255.0
    face_img = np.expand_dims(face_img, axis=0)
    
    features = feature_extractor.predict(face_img, verbose=0)
    return features.flatten()

四、系统界面

下图是对系统界面的介绍。

用户管理如下，点击用户信息后，点击下方按钮即可删除。

五、改进

1、加入口罩、帽子识别（后续更新）

当戴上口罩和帽子时，可能会导致识别失败，因此加入之后，当识别到用户戴有口罩或者帽子并且识别失败时，使用语言提醒用户摘掉口罩或者帽子。