企业官网建设流程全解析

简介：一套基于Python机器学习实现的人脸识别大作业源码包，面向需要完成机器学习课程设计、毕业设计或入门计算机视觉实战的Python学习者。压缩包约3.52MB，集中了照片与视频两大场景下的完整人脸识别流程，涵盖照片性别识别、视频人脸识别、人脸与眼睛检测、视频性别识别等多个可独立运行的功能模块，并配有神经网络模型文件、工程代码说明文档以及运用BP神经网络实现性别检测的工作报告。各模块分工明确，照片类任务可验证单张图像处理，视频类任务则覆盖实时帧读取与识别，便于按需调用和二次开发；工程代码说明文档详细梳理了项目结构、运行环境与调用方法，BP神经网络工作报告则从传统机器学习角度补充了算法原理，有助于读者对比不同技术路线。目前已有1449人浏览学习，整套资源体量虽小，但内容覆盖面广，既能作为课程大作业的直接参考，也能帮助初学者理解从数据准备、模型加载到结果输出的典型机器学习实践流程，还可在此基础上扩展其他面部分析任务。

1. 拿到“基于python机器学习实现的人脸识别大作业源码+课程报告+项目说明.zip”，你该怎么用

这类压缩包是机器学习课程设计里最常见的交付形态：一份能跑通的 Python 人脸识别程序、一份用来应付查重和答辩的课程报告、一份让别人能接手的环境说明。我的建议是别急着双击运行，先把它当成一条完整流水线来看：人脸检测、人脸对齐、特征提取、分类器识别，四个环节缺一不可。真正决定大作业能拿什么档次的，往往不是模型层数，而是数据预处理到不到位——预处理严格了，SVM 也能在班级数据集上跑到 95% 以上；预处理粗糙，再贵的网络也救不回来。适合三类人读：被课程设计 deadline 追着跑的学生、想让简历里多一个“能讲清楚”的计算机视觉项目的人、以及在做门禁考勤类产品预研的开发者。

2. 人脸识别大作业的路线选择：为什么课设该走“检测到分类”这条线

2.1 把人脸识别拆成四步：检测、对齐、特征、分类

很多人一上来就找“人脸识别算法”，然后陷入了计算机视觉和机器学习到底有什么区别的困惑里。实践中，一个能用机器学习理论解释的人脸识别系统，不是单一算法，而是四段流水线。

第一步是人脸检测，解决“脸在哪”的问题。常见工具是 OpenCV 的 Haar Cascade，或者更稳一点的 MediaPipe、RetinaFace，这一步输出的是人脸边界框坐标。第二步是人脸对齐，把检测到的脸通过仿射变换摆正，统一眼睛位置和面部尺度，这是整套系统里最容易被跳过的环节，也是识别率波动的最大来源。第三步是特征提取，把一张图像变成一串固定长度的数值向量，早期用 LBP、HOG，现在主流是预训练卷积网络输出 embedding。第四步是分类或检索，训练一个机器学习分类器，或者拿特征向量去库里比对相似度，最终回答“这张脸是谁”。

把流程拆开有个额外好处：课程报告每一章都能对应一个独立实验，每个环节都能单独出图表和指标，答辩时老师问到哪里你都能接上。很多同学把“人脸识别”理解成一个端到端模型，等到报告里要写原理公式时发现全是黑匣子，那才是真难受。

2.2 常见实现路线对比：LBPH、特征+分类器、端到端网络

我把市面上课设常用的三条路线做过一次对比，结论挺明确：题目标着“机器学习”的，最优解是“手工特征或预训练特征 + sklearn 分类器”，而不是堆一个深度学习网络。

LBPH 看起来最省事，几行代码就能跑，但它在 OpenCV 内部做的是近邻距离比对，严格说跟你机器学习课上学的东西关系不大。端到端深度网络效果确实最好，但人脸数据集通常只有几百张，网络训练容易过拟合，而且答辩时被问到“反向传播推导”会很痛苦。中间两条路线把“特征工程”和“分类器设计”分开，正好落在机器学习课程的核心章节上，报告能写的内容也最充实。

2.3 选型的三个约束：可解释、能复现、能写进报告

给课程设计选技术路线，跟给生产项目选型不太一样。生产项目看效果和运维成本，课设更多看三点约束。

第一是可解释。SVM 的软间隔目标函数、RBF 核的 gamma 参数、交叉验证选参，这些在周志华的《机器学习》里都有完整章节，写进报告是名正言顺的。换成深度网络，报告里只能写“用了某预训练模型”，原理部分几乎凑不出字数。

第二是能复现。课设环境往往是室友的笔记本、实验室的公用台式机，没 GPU 是常态。我一般要求代码在纯 CPU 机器上十分钟内能跑完一轮训练，这个约束直接把大网络淘汰掉了。

第三是能写进报告。课程报告需要实验图表，sklearn 的混淆矩阵、GridSearchCV 的验证曲线都是现成的，截图就能用。如果选端到端方案，Loss 曲线之外就没什么好画的，报告厚度撑不起来。

所以见到这类标题时，先看一眼里面的分类器是 SVM、决策树还是 MLP——是这个，说明思路对路；如果是某个接好的深度学习框架，反而要警惕，因为那更像调包教程而不像机器学习大作业。下一章开始做数据，这是整个项目真正拉开差距的地方。

3. 数据准备与预处理：识别率 70% 还是 95%，差别在这一步

3.1 数据集从哪里来：公开人脸库与自采数据的取舍

数据集是“先有数据还是先有模型”这个问题里最现实的一环。课设常见三种来源：压缩包自带数据、公开人脸库、自己用摄像头采集。

如果压缩包里有现成的数据目录，直接沿用即可，但我会建议读懂它的目录组织方式——学号/姓名作为文件夹名、每个文件夹下是这个人不同姿态的照片，这种结构本身就是一种标签体系。没有自带数据的话，公开人脸库是最省事的选择。ORL 库 40 个人每人 10 张正面照，规模小、光照相对统一，非常适合做课程实验；想增加挑战性可以换 Yale 库，光照变化更大。注意，用公开数据集时报告里要写清楚来源和引用，这是学术规范问题，答辩时老师很在意。

自采数据更贴近门禁机场景，但有三件事要提前约定好：拍谁、拍多少、怎么拍。我一般建议至少 5 个人，每人 30 到 50 张，覆盖正面、左右偏转 15 度、戴不戴眼镜、室内灯光和背光各一组。数据采集前要让对方知情同意，采集完按“姓名_序号.jpg”的规则命名，不要创建“新建文件夹(3)”这种目录，否则后面遍历代码要改半天。

3.2 人脸检测与对齐：把视频帧里的脸裁成统一尺寸

拿到原始照片后，第一步不是训练，而是做检测和对齐。这里给出一段可用的预处理函数，核心思路是先检测人脸框，再裁剪缩放，最后归一化像素值。

import os import cv2 import numpy as np FACE_SIZE = 112 # 统一缩放到 112x112，兼顾细节与计算量 def load_cascade(): # OpenCV 自带的 frontalface 模型，适合正脸居多的课设数据 cascade_path = cv2.data.haarcascades + "haarcascade_frontalface_default.xml" return cv2.CascadeClassifier(cascade_path) def preprocess_face(img, cascade, face_size=FACE_SIZE): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 直方图均衡化：把过暗或过亮的像素分布拉开，缓解光照差异 gray = cv2.equalizeHist(gray) faces = cascade.detectMultiScale( gray, scaleFactor=1.1, # 每轮检测图像缩小 1.1 倍，值越小越精细也越慢 minNeighbors=5, # 候选框至少经过 5 重验证才保留，越大误检越少 minSize=(80, 80) # 小于 80x80 的区域直接忽略 ) if len(faces) == 0: return None x, y, w, h = faces[0] # 多人场景可循环处理，单人课设先取最大框即可 roi = gray[y:y+h, x:x+w] face_resized = cv2.resize(roi, (face_size, face_size)) return face_resized / 255.0 # 归一化到 [0,1]，让特征数值量纲一致

这段代码有三个参数值得细说。scaleFactor=1.1 表示每次检测将图像缩小 10%，数值越小检测越耗时但有可能会找回偏小的脸；minNeighbors=5 控制误检与漏检的平衡，设大了容易漏脸，设小了背景区域会被当成脸；minSize 直接过滤掉远处的路人脸，在门禁和考勤场景非常实用。

需要说明，真正的“对齐”需要眼睛或鼻尖关键点。上面的退化方案只是把人脸框裁出来做缩放，当人脸左右偏转较大时，框的中心点并不等于面部中心。工程上更可靠的做法是先用关键点模型检出双眼坐标，再用仿射变换把双眼映射到固定位置。课设里如果没有现成关键点模型，至少保证裁剪框上方留一点额头区域，别把脸裁切掉一角，这已经是成本最低的有效对齐。

3.3 划分训练集和验证集：按人头分，不按帧分

预处理完的数据要划分训练集和验证集。这里有一个极常见却隐蔽的错误：用随机划分把同一个人的照片同时分到训练集和验证集。人脸照片之间相似度极高，模型实际上“见过”验证集里那个人的脸，结果就是验证准确率虚高，换个人就现原形。

正确做法是按人头分组划分，sklearn 里用 GroupShuffleSplit 可以一步到位。

from sklearn.model_selection import GroupShuffleSplit # X 是所有预处理后的特征矩阵，y 是姓名标签，persons 是每个人唯一的组编号 gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, val_idx = next(gss.split(X, y, groups=persons)) X_train, X_val = X[train_idx], X[val_idx] y_train, y_val = y[train_idx], y[val_idx]

这段代码里的 groups 参数是防止数据泄漏的关键。persons 数组里同一个人的所有照片必须对应同一个 ID，而不是按文件名随机编号。划分之后最好检查一遍验证集里是否包含与训练集相同的人，检查方式很简单：打印 train_idx 和 val_idx 对应的人名集合，确认交集为空。这一步花不了两分钟，能避免整个实验结论失去意义。

数据集就绪后，下一个问题是特征怎么提取。如果你用的是 HOG 这类手工特征，特征维度取决于图像尺寸和分块参数；如果走预训练模型，特征维度可能是几百到一千多。两种方式写法差异很大，下一章分开讲。

4. 特征提取与分类器训练：把一张脸变成一串可比较的数字

4.1 手工特征路线：HOG 特征配合 SVM

机器学习课设里最正统的做法，是手工特征加分类器。我倾向于用 HOG 而不是 LBPH，因为 OpenCV 的 LBPH 直接封装好了匹配逻辑，绕过了 sklearn；HOG 特征则能正常走“提取特征 → 标准化 → 训练模型 → 调参”这个标准流程。

HOG（方向梯度直方图）的核心思想是把图像划分成小格子，统计每个格子里的梯度方向分布。对人脸来说，眼睛、鼻梁、嘴角这些位置的梯度方向有相对稳定的模式，正好可以作为身份特征。

import numpy as np from skimage.feature import hog from sklearn.svm import SVC from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.model_selection import GridSearchCV def extract_hog(face_gray): # face_gray 是上一章预处理输出的 112x112 灰度图，像素范围 [0,1] fd = hog( face_gray, orientations=9, # 梯度方向分成 9 个桶，类似直方图的 bin 数 pixels_per_cell=(8, 8), # 每个格子 8x8 像素 cells_per_block=(2, 2), # 每个块包含 2x2 个格子，用于局部归一化 block_norm="L2-Hys" # L2 归一化变体，对光照变化更稳 ) return fd # 假设 X_train 是 n 张 112x112 的灰度图数组 X_train_hog = np.array([extract_hog(x) for x in X_train]) X_val_hog = np.array([extract_hog(x) for x in X_val]) pipe = make_pipeline( StandardScaler(), # 特征数值范围差异大，先标准化再进 SVM SVC(kernel="rbf", class_weight="balanced") ) param_grid = { "svc__C": [1, 10, 100], # 正则化系数，越大对训练样本拟合越强 "svc__gamma": [0.001, 0.0001], # RBF 核作用半径，越小决策边界越平滑 } grid = GridSearchCV(pipe, param_grid, cv=3, scoring="f1_macro", n_jobs=-1) grid.fit(X_train_hog, y_train) print("best score:", grid.best_score_, "params:", grid.best_params_) print("validation accuracy:", grid.score(X_val_hog, y_val))

三个参数务必理解后再改。orientations=9 表示每个格子统计 9 个方向的梯度强度，太小丢失细节，太大特征维度暴涨；pixels_per_cell=8 意味着 112x112 的图像会被切成 14x14 个格子；C 是 SVM 正则化强度的倒数，C=1 是默认起点，过度拟合时调小，欠拟合时调大。gamma 在 RBF 核里控制单一样本的影响半径，gamma 太大会把边界画得弯弯曲曲，现实中表现为“只认训练集里那张脸”。

这里有一个课设常见的误区：为了追求准确率，一上来就把 C 调到 1000。结果是小样本下训练集得分几乎满分，验证集表现一般，典型的过拟合。网格搜索的意义就在于让你看到这个趋势，而不是挑一个最高验证分就完事。把不同 C 和 gamma 组合的验证分数画成热力图，这张图放进报告里会非常加分。

4.2 预训练模型抽特征：在 sklearn 里接一个现成视觉编码器

如果想让识别更鲁棒，可以用预训练卷积网络提取特征，再接 sklearn 分类器。这个方案的本质是：用别人在海量图像上训练好的网络模型当特征提取器，自己只训练最后那个分类器。这也是计算机视觉和机器学习结合得最舒服的方式——模型部分交代清楚来源，分类器部分保留你的工作量。

import torch from torchvision import models, transforms # MobilenetV2 轻量，CPU 上跑得动；新版本 torchvision 用 weights 参数 model = models.mobilenet_v2(weights=models.MobileNet_V2_Weights.DEFAULT) model.eval() # 评估模式，关闭 Dropout 和 BatchNorm 的随机性 # 输入尺寸 224x224，均值方差使用 ImageNet 的统计值 transform = transforms.Compose([ transforms.ToPILImage(), transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 去掉最后的全连接分类层，只保留特征部分 feature_extractor = torch.nn.Sequential(*list(model.children())[:-1]) def extract_cnn_feature(face_gray): face_float = (face_gray * 255).astype("uint8") # 还原成 0-255 灰度图 face_rgb = cv2.cvtColor(face_float, cv2.COLOR_GRAY2BGR) # 转三通道 x = transform(face_rgb).unsqueeze(0) # 增加 batch 维度 with torch.no_grad(): feat = feature_extractor(x) # 全局平均池化：把 7x7x1280 压缩成一个 1280 维向量 feat = feat.mean(dim=(2, 3)).numpy() return feat.flatten()

重点在最后一步全局平均池化。MobileNetV2 最后的特征图形状是 (batch, 1280, 7, 7)，mean(dim=(2,3)) 把空间维度全部平均掉，得到不受输入尺寸影响的 1280 维向量，这个向量就是“人脸 embedding”。首次运行这段代码会自动下载预训练权重，耗时取决于网络状况，之后的实验直接读缓存。

14140 行说明：feature_extractor 里的参数被冻结了，反向传播不可能，也不需要；特征只算一次，本地存成 npy 文件后，后续调分类器参数不需要重新过网络。这一条能省下大量时间，我看很多人每次调参都把整批图重新过一遍网络，纯属浪费。

拿到 embedding 后，接的分类器我建议优先试 SVM 和 MLPClassifier。SVM 在几百维到一千多维的特征上表现稳定，MLPClassifier 能让你在报告里多写一段神经网络。如果追求快，随机森林也能用，但效果通常会差一点。特征维度相对图像原始像素已经低了很多，一般不需要再降维，强行 PCA 反而可能丢掉区分信息。

4.3 用摄像头跑通实时识别：检测、识别、画框三步循环

训练完成后，实时演示是整个大作业最有视觉冲击力的环节，也是答辩现场最容易出岔子的环节。一个稳定的实时识别循环就三段：读帧、识别每个脸、画框和标签。

import cv2 cap = cv2.VideoCapture(0) cap.set(3, 640) # 画面宽度 640 cap.set(4, 480) # 画面高度 480 while True: ok, frame = cap.read() if not ok: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) gray = cv2.equalizeHist(gray) faces = cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(80, 80)) for (x, y, w, h) in faces: roi = cv2.resize(gray[y:y+h, x:x+w], (112, 112)) / 255.0 # 用训练好的模型预测：注意 SVM 分类器是哪条路线就调用哪条 feat = extract_hog(roi) if use_hog else extract_cnn_feature(roi) label = grid.best_estimator_.predict([feat])[0] score = grid.best_estimator_.decision_function([feat])[0] cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.putText(frame, f"{label}: {score:.2f}", (x, y - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imshow("face-recognition", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

decision_function 返回的是样本到决策超平面的距离，值越正代表越有把握。课设里把这个距离直接显示在框上方，既有技术感，又能直观看出分类器的确信程度。注意如果用的是 SVC 多分类，decision_function 默认返回一对一投票的得分矩阵，想省事可以在训练时设 decision_function_shape="ovr"。

视频帧率方面，预处理和特征提取都会耗时。如果发现画面明显卡顿，常见做法是每隔一帧做一次识别，但检测和画框可以每帧都做；或者把输入尺寸降到 320x240，帧率立刻上来。答辩演示时，分辨率低一点但帧率流畅，远比高分辨率卡成幻灯片体面。

到这里，一条“检测 → 对齐 → 特征 → 分类器 → 实时演示”的完整链路已经跑通。接下来聊聊我实际调这东西时踩过的坑，有些坑几乎每个做人脸识别课设的人都会遇到。

5. 人脸识别课设避坑记录：五个让人崩溃的经典翻车现场

5.1 训练集 98%，摄像头下一换角度就认错

现象：训练集上验证准确率 98%，网格搜索结果也很漂亮，但拿到摄像头前，稍微侧脸、仰头或者换个光线，名字就开始在框上乱跳。

原因：数据集太“干净”了。采集或公开数据集里的人脸基本全是正脸、均匀光照，预处理的直方图均衡化也压不住角度变化带来的特征偏移。模型实际上只学会了“正脸模板”，没有学到“人脸”这个类别的不变特征。

解决：回到数据层面加变化。自采数据时把左右偏转、俯仰、戴不戴眼镜、室内灯光和靠窗背光都录进去；如果只有公开数据集，用随机亮度调整、水平翻转、轻微旋转变换来扩充。记住一个原则：预处理里见过的变化，模型才可能学会；预处理剔除掉的变化，等于主动放弃鲁棒性。

5.2 特征矩阵维度对不上，fit 直接报错

现象：训练时报 “setting an array element with a sequence” 或者维度不一致的 ValueError，代码逻辑看着没问题，但就是跑不过去。

原因：绝大多数情况是某张图没检测到人脸，函数返回了 None 或者空数组，但外层代码没有过滤，直接把它 append 进特征列表，最后列表里混入了不同长度的对象，np.array 一转换就报错。

解决：在特征提取前统一过滤无效帧。检测不到脸的样本要么跳过并记录文件名，要么先用最大的人脸框兜底。更稳妥的做法是在预处理函数里约定“返回 None 表示无效”，外层代码遇到 None 就跳过，最后再统计一下被跳过的数量。这个统计值写到课程报告里还能侧面证明数据清洗的严谨性。

5.3 摄像头画面卡顿，识别像放幻灯片

现象：实时演示时画面一卡一卡，脸框和名字刷新跟不上人移动，答辩现场非常尴尬。

原因：性能瓶颈通常不在检测模型，而在你每帧都做了太重的事。比如把整帧缩放、每帧都跑一次完整特征提取、在 1920x1080 的分辨率上做检测。另一个隐蔽问题是 waitKey 参数设得过大，比如 waitKey(30) 等于每帧强制等 30 毫秒，帧率上限被锁死在 33。

解决：先量一下每一段的耗时，用 time.time() 分别统计 detectMultiScale、特征提取、分类预测的开销。定位到瓶颈后，把摄像头分辨率设成 640x480，识别循环改成每 2 帧识别一次，检测框依然每帧绘制。waitKey(1) 就够了，不要用大数值去“控制帧率”，界面卡顿大部分时候不是这个原因。

5.4 同一人换眼镜或刘海后识别率骤降

现象：训练时这个人识别得好好的，换一副眼镜、剪了刘海、或者戴个帽子，直接认成另一个人。

原因：特征向量里把“这个人长什么样”和“这个人当时的装扮”混到了一起。HOG 特征本身对局部遮挡不敏感，但裁剪对齐不严时，刘海变化会显著改变整个特征向量的分布；预训练 CNN 特征也有同样问题。

解决：核心还是数据增强和对齐。采集数据时跑完眼镜摘戴、刘海拨开、帽子摘戴几个变化，模型才能区分“身份特征”和“装扮特征”。另外一个工程技巧是，注册人脸库时不用单张图的特征，而是用同一个人多张图的平均特征，平均操作能抹掉一部分装扮带来的噪声。这个技巧放到第六章讲检索式识别时会显得特别自然。

5.5 验证准确率虚高，答辩演示时露馅

现象：本地代码里验证集准确率 99%，答辩现场换了个环境，识别率突然一半都不到，整个人站在台上懵掉。

原因：十有八九是数据划分泄漏。常见三种泄漏：一是随机划分训练集和验证集，同一个人的照片两边都有；二是先做全数据集上的预处理和特征提取，再划分，特征提取器“见过”验证集；三是公开数据集里本身就包含重复或相近的帧，没去重就划分。

解决：严格按人头分组划分，保证验证集里的人名和训练集零交集；特征提取必须在划分之后对训练集单独拟合，标准化器也要用训练集的统计量。这里介绍一个最终验证方法：把识别系统带到教室、实验室等一个完全没参与训练的数据环境里，拍 5 个人的新照片，看准确率还成不成立。这个“现场测试”的数据和结论写进报告，含金量比验证集数字高得多。

6. 把作业做成简历亮点：注册式识别、指标与界面

6.1 从分类器升级为人脸库检索：注册式识别的思路

分类器方案有个天然缺陷：来一个新同学，你得重新训练整个模型。真实门禁系统通常不是这么干的，它们用注册式识别：每个用户入库时只保存一条特征向量，识别时拿当前人脸特征去库里找最相似的那条，相似度超过阈值才算识别成功。

注册式识别对课设来说并不复杂，把上一章的训练环节替换成特征入库和比对即可。

import numpy as np # db: {姓名: 特征向量}，特征向量取多张图的平均值，降低噪声 db = {} for name in ["zhang", "li", "wang"]: embs = [extract_cnn_feature(f) for f in load_faces_of_person(name)] db[name] = np.mean(embs, axis=0) def recognize(embedding, threshold=0.65): best_name, best_sim = None, -1 for name, emb in db.items(): sim = np.dot(embedding, emb) / ( np.linalg.norm(embedding) * np.linalg.norm(emb)) if sim > best_sim: best_name, best_sim = name, sim return best_name if best_sim > threshold else "unknown"

这段代码里 threshold=0.65 不能拍脑袋定。用验证集里每个人的多张照片两两比对，算出“同一个人的相似度”和“不同人的相似度”两组分布，取两个分布的交点附近作为阈值，才是有说服力的做法。门禁机场景宁可不识别也不乱识别，阈值适当调高，这就是从“能用”到“好用”的差别。

6.2 阈值怎么定：用小批量验证样本找等错误率

等人脸库建好后，我有两个固定动作。第一，把验证集的每一张照片去库里检索，得到每个人所有样本的相似度，然后分别画出正确匹配和错误匹配的相似度分布图。第二，在这个分布图上找等错误率的点——也就是误识率和拒识率相等的阈值，再根据具体场景往高或往低偏一点。门禁系统更怕陌生人闯入，阈值就取得比等错误率更高；实验室门禁场景更怕自己人被挡在外面，阈值就略微放低。

6.3 课程报告里写清这些指标，答辩才能站稳

报告里不要只放一个准确率。实际答辩中老师经常追问的指标有三个：混淆矩阵能说清楚哪个人的容易被认错；每个类别的精确率与召回率能反映人头不均衡时模型的偏向；单次识别耗时常说明能否实时运行。如果做了注册式识别，把阈值与错误率的关系曲线也画进去，答辩时可讲的东西会多很多。

如果还有余力，给程序加一个简单的 Tkinter 界面，把摄像头画面和识别结果放在同一个窗口里，然后录一段演示视频放报告附录，整个交付物的完整度立刻上了一个台阶。我个人的习惯是先把三人小库跑通，再做十人规模扩展；先固定数据采集规则，再调模型参数，每一步都记录在案。已经完成了最重要的部分——思路理顺了，代码和数据只是时间问题。希望这套生产链路能帮你少走弯路，交出一份真正能讲清楚的人脸识别大作业。

本文还有配套的精品资源，点击获取