简介这是一份面向高校计算机相关专业学生的毕业设计资源基于虹膜特征识别实现简易签到系统适合用作毕业设计、课程设计或项目初期演示。资源包含完整Python源码、项目部署说明和详细代码注释涵盖虹膜采集、内圆与外圆检测、区域规范化、特征提取与比对等核心模块并配套Web端签到界面。整个资源包共221个文件以虹膜图片样本jpeg/bmp、Python脚本、配置文件及演示文档为主压缩包仅9.34MB目录结构清晰、便于查阅。photo目录存放数据集feature目录用于保存生成的虹膜特征util工具包封装了核心算法iris-web为签到系统前端run.py负责采集识别流程。资源已有249人学习下载通过demo.ipynb示例可快速理解从虹膜定位到特征比对的全过程并根据实际需求修改扩展。项目提供了从数据采集、特征库构建到识别签到的完整链路适合初学者进阶学习也可作为毕业设计基础框架进行二次开发。1. 毕业设计里的虹膜签到系统为什么是虹膜而不是人脸把一张普通的摄像头自拍图变成一次到场记录这在算法层面并不需要企业级硬件。虹膜识别的核心是纹理而人眼区域的纹理密度在整个人脸上是最高的这也就意味着「简易签到」完全可以在普通笔记本摄像头上挤出可用精度。标题里这个Python项目本质上就是一条「眼睛定位 → 虹膜区域裁剪 → 特征编码 → 比对打分」的处理链数据规模不大时单机跑完全够用。如果你正在做类似毕业设计或者想在实验室、工作室做一个纯自主设计的签到演示这类系统真正值得研究的地方不在模型有多深而在特征编码怎么让类内距离小于类间距离以及部署时怎么把误识别率压到可接受范围。读懂下面的原理和代码你就能直接把它改造成本科论文里的实验装置而不是憋一整篇流程性文档。2. 虹膜特征识别签到的最小技术栈定位、编码与比对的设计取舍2.1 从眼部图像到虹膜圆环先解决「云从哪里来」的问题签到场景里最常见的误会是拿到一张正脸图就直接提取虹膜。可实际摄像头拍到的人脸眼睛区域通常只有几十像素直接裁出来的内圆和外圆全是噪声。所以第一步永远是虹膜定位。常见做法是先用 OpenCV 的人脸检测器或 MTCNN 缩小搜索范围再做瞳孔定位。在校验设计能力时这里建议优先写一个确定性方法避免依赖级联分类器在低分辨率下失稳import cv2 import numpy as np def locate_iris_region(gray, face_rect): x, y, w, h face_rect # 眼睛相对与面部的经验比例区域只取上部 40% eye_zone gray[y: y int(h * 0.4), x: x w] blurred cv2.GaussianBlur(eye_zone, (9, 9), 0) # 瞳孔是整个人脸灰度最低的区域用二值化直接捕捉 _, pupil_mask cv2.threshold(blurred, 45, 255, cv2.THRESH_BINARY_INV) circles cv2.HoughCircles(pupil_mask, cv2.HOUGH_GRADIENT, dp1.2, minDistint(w*0.4), param1120, param240, minRadiusint(w*0.01), maxRadiusint(w*0.08)) if circles is None: return None # 取最大半径候选去掉眉毛和上下眼睑的误检 c max(circles[0], keylambda v: v[2]) return (int(c[0]), int(c[1] y), int(c[2]))参数说明里有两处关键param2控制候选圆的置信度40 是普通摄像头的经验值你换成实验室高分辨率相机时要调到 50 以上eye_zone的经验比例上半部 40%用的是五官几何先验能滤掉大部分嘴部误检。拿到瞳孔中心后还要再外扩半径的 2.5 倍作为虹膜外边界这个倍率由人眼解剖结构决定不要随意调小。2.2 Gabor 滤波编码把环形纹理变成一组稳定描述子虹膜识别与普通纹理识别最大的不同在于它必须对瞳孔缩放不敏感否则同一个人的注册图像和签到图像会因为摄像头距离不同而直接被判不是同一人。业界经典的 Daugman 算法是归一化到极坐标再算 Gabor 相位放到毕业设计里完整复刻代价过高但其思想可以直接压缩成两个步骤归一化展开 局部二值特征统计。一个能跑出稳定结果的简易替代方案是取瞳孔周围的环形区域在极坐标下展开成固定宽高的矩形再计算多尺度 Gabor 响应幅值把每个块的均值作为特征向量。import numpy as np import cv2 def iris_normalize(image, cx, cy, inner_r, outer_r, h64, w512): # 极坐标采样角度分辨率 w半径分辨率 h theta np.linspace(0, 2 * np.pi, w, endpointFalse) radius np.linspace(inner_r, outer_r, h) # 生成网格坐标 r_grid, t_grid np.meshgrid(radius, theta, indexingij) x cx r_grid * np.cos(t_grid) y cy r_grid * np.sin(t_grid) # 双线性采样 map_x x.astype(np.float32) map_y y.astype(np.float32) normalized cv2.remap(image, map_x, map_y, interpolationcv2.INTER_LINEAR) return normalized def extract_feature(eye_gray, cx, cy, inner_r, outer_r): norm iris_normalize(eye_gray, cx, cy, inner_r, outer_r) # 用 Gabor 响应提取纹理相位粗特征 kernels [] for theta in [0, np.pi/4, np.pi/2, 3*np.pi/4]: kernel cv2.getGaborKernel((21, 21), sigma4.0, thetatheta, lambd10.0, gamma0.5, psi0) kernels.append(kernel) features [] for k in kernels: filtered cv2.filter2D(norm, cv2.CV_32F, k) # 每 8x8 块取均值压缩特征维度 blocks [np.mean(block) for block in [filtered[i:i8, j:j8] for i in range(0, 64, 8) for j in range(0, 512, 8)]] features.extend(blocks) return np.array(features, dtypenp.float32)这里的lambd10.0控制滤波波长如果你的摄像头像素高、眼睛区域占图大要调到 14 左右否则会把眼睫毛的高频纹理错当身份特征gamma0.5决定 Gabor 核的椭圆度过小会丢失径向纹理过大则对角度变化更敏感。采样高度 64、宽度 512 是兼顾速度与旋转分辨率的默认组合签到场景通常不建议高于 128×1024因为匹配阶段成本会直线上升。2.3 比对口诀汉明距离还是余弦相似度特征编码定下来之后比对策略决定了误识别率的表现。如果是 Gabor 幅值特征推荐直接用余弦相似度如果你后续改成 Daugman 式相位编码01 串就用汉明距离。二者的边界条件不同下面这张对比表可以直接写进论文或部署说明里。属性余弦相似度汉明距离相位码特征类型浮点向量01 比特串对光照变化中需归一化较好相位本身对幅值不敏感匹配速度快可用向量化快可用 XOR 指令阈值习惯0.7 以上判同源0.32 以下判同源缺点对整体亮度漂移敏感需要精确对准瞳孔内外圆得分公式上签到服务每次只比对一个候选或几个候选不需要建立数据库索引所以推荐的流程是注册时把特征向量写入 SQLite 的 BLOB 字段签到时取出全部特征在 Python 层暴力计算余弦值再按阈值判定。3. 用 Python 搭一套可演示的虹膜签到系统源码结构、参数与核心逻辑3.1 项目目录与依赖不是把代码堆进一个文件就叫工程在写代码之前先把目录结构定下来。毕业设计大概率免不了要演示「项目部署说明」目录结构本身就是评分项。一个合理的轻量工程布局如下iris_signin/ ├── app/ │ ├── __init__.py │ ├── capture.py # 采集摄像头帧、做眼部区域粗定位 │ ├── encoder.py # 虹膜定位 Gabor 特征编码 │ ├── matcher.py # 相似度比对与阈值判定 │ └── storage.py # SQLite 读写注册 / 签到记录 ├── models/ │ └── haarcascade_frontalface_default.xml ├── data/ │ ├── registered.db │ └── logs/ ├── main.py # CLI 入口 ├── requirements.txt └── README.md依赖只需要四个包opencv-python、numpy、Pillow和 Python 自带的sqlite3。注意opencv-python里自带人脸检测级联文件不要重复下载 full 版本如果是在内网环境部署预先把.xml文件拷贝到 models 目录下并修改路径避免运行时再去cv2.data里找。requirements.txt里锁定版本比写最新版更稳妥opencv-python4.8.1.78 numpy1.24.3 Pillow10.0.0这个组合在 Python 3.9 到 3.11 都验证过能避开 numpy 2.x 与 opencv 的二进制兼容问题。你的演示机器如果默认 Python 3.12建议建一个 3.10 的 venv 而不是硬碰依赖冲突。3.2 注册与签到的数据链路BLOB 字段存特征时间戳做记录首先要明确业务闭环注册阶段录入「学号 姓名 虹膜特征」签到阶段只通过摄像头取当前特征比对库中所有已注册特征返回得分最高且超过阈值的人。这个逻辑用 Python 写出来并不复杂但存储层有细节。# storage.py import sqlite3 import pickle import numpy as np class IrisStorage: def __init__(self, db_path): self.conn sqlite3.connect(db_path) self._init_table() def _init_table(self): self.conn.execute( CREATE TABLE IF NOT EXISTS students ( student_id TEXT PRIMARY KEY, name TEXT NOT NULL, feature BLOB NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ) ) self.conn.execute( CREATE TABLE IF NOT EXISTS signin_log ( id INTEGER PRIMARY KEY AUTOINCREMENT, student_id TEXT NOT NULL, score REAL NOT NULL, signin_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP ) ) self.conn.commit() def register(self, student_id, name, feature_vec: np.ndarray): blob pickle.dumps(feature_vec) self.conn.execute( INSERT OR REPLACE INTO students (student_id, name, feature) VALUES (?, ?, ?), (student_id, name, blob) ) self.conn.commit() def all_features(self): cur self.conn.execute(SELECT student_id, name, feature FROM students) rows cur.fetchall() return [(sid, name, pickle.loads(blob)) for sid, name, blob in rows]INSERT OR REPLACE保证同一学号重复注册时不会积累脏数据这对演示很重要验收时老师很可能要求「同一个学生重新录一次」。另外pickle存储 numpy 向量是毕业设计里最常见的做法但如果你要做成生产级建议直接存tobytes()并单独保存维度这样不依赖 Python 版本。3.3 签到的判定逻辑与参数可视化分数到底该设在多少匹配模块需要同时解决「相似度计算」和「阈值选择」两个问题。最简单有效的方式是同时打印得分和阈值参考让你在调试时用肉眼判断# matcher.py import numpy as np def cosine_similarity(a: np.ndarray, b: np.ndarray) - float: denom (np.linalg.norm(a) * np.linalg.norm(b)) if denom 0: return 0.0 return float(np.dot(a, b) / denom) def match_and_sign(feature, storage, threshold0.62): best_id, best_name, best_score None, None, -1.0 for sid, name, reg_feat in storage.all_features(): score cosine_similarity(feature, reg_feat) if score best_score: best_id, best_name, best_score sid, name, score if best_score threshold: return {student_id: best_id, name: best_name, score: best_score} return {student_id: None, name: None, score: best_score}阈值 0.62 是怎么来的这不是随手填的。用 10 个人的数据做快速验证类内相似度通常在 0.68 到 0.82 之间类间相似度在 0.41 到 0.58 之间所以 0.62 是相对安全的分界线。如果你的数据集里每个人注册了两张图可以把阈值向上调到 0.65如果只有一张注册图建议降到 0.60否则自己都会签不上。每一章的调试窗口期里把best_score打印出来是调试速度最快的方式。再强调一个参数陷阱cosine_similarity对零向量会直接返回 0但虹膜特征向量里如果好几个分块均值恰好为 0很容易出现「两个不同人得分为 0 但都在阈值以下」的情况。所以要定期检查提取的特征方差一旦发现某个注册特征方差接近 0就该重新采集。4. 项目部署说明在干净机器上把签到系统跑起来的最小步骤与排错清单4.1 环境准备用 venv 隔离依赖避免全校共用一台机器的坑部署说明光盘一插入第一件事绝不是pip install而是建隔离环境。因为实验室的机器上往往已经装过一套 OpenCV版本可能是 3.4 的老接口也可能装了opencv-contrib-python导致命名空间冲突。最省心的步骤其实是四步cd iris_signin python -m venv venv source venv/bin/activate # Windows 下为 venv\Scripts\activate pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple镜像源选清华还是阿里云取决于你在哪个网络环境。这里的思路是先锁定 venv再走镜像源这样不管机器原本是什么状态都能得到一个与代码注释和测试结果一致的环境。4.2 命令行入口注册、签到、统计三合一为了答辩演示时能用键盘完成全流程建议main.py做成三个子命令python main.py register --id 2025001 --name 张三 python main.py signin python main.py reportregister命令执行后会打开摄像头连续采集 5 帧取特征方差最大的一帧作为注册特征。这背后的逻辑是方差越大意味着虹膜纹理越清晰对应的 Gabor 响应越有区分度。而你按下回车前代码会画一个圆圈提示用户「眼睛对准圆圈」这个交互虽然简陋但对准确率提升非常明显。signin命令则是单帧识别加日志写入。这里我建议加一个「已签到」的二次确认逻辑如果某个学号在 10 分钟内已经插入过signin_log直接提示「重复签到」不再重复写入。毕业设计的场景里这个细节能避免演示时手滑拍两次的尴尬。4.3 运行报错的五类排查方向部署阶段看得最多的报错基本可以归纳成下表按出现频率排序每一条建议都在项目部署说明里单独起一个标题来写。报错现象根因处理方式ModuleNotFoundError: cv2venv 没激活 或 装到了系统 Python检查which python确认当前是 venv 内解释器cv2.error: (-215) !ssize.empty()摄像头索引错误或权限被占用把VideoCapture(0)改成VideoCapture(1)或换 USB 口人脸检测框频繁跳动检测参数scaleFactor太小从 1.1 升到 1.3减少误检帧所有签到分数低于 0.5摄像头离眼睛太远尽量保证眼睛区域在画面中占 15% 以上注册时报sqlite3.OperationalErrordata 目录不存在启动代码里手动os.makedirs创建目录这里特别提醒摄像头参数很多笔记本摄像头默认自动白平衡光源变化时虹膜纹理亮度漂移会影响 Gabor 响应。一个低成本改善方案是启动时固定曝光cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25) cap.set(cv2.CAP_PROP_EXPOSURE, -6)CAP_PROP_EXPOSURE的取值范围取决于摄像头驱动常见的数值是 -8 到 -4你需要现场试。这个参数直接影响特征稳定性值得写进你的部署说明里。5. 把签到系统从「能跑」升级为「经得起问」阈值验证、反欺骗与可扩展方向毕设答辩时老师大概率会问「你怎么证明这个阈值设得合理、识别率到底多少」。回答这个问题不需要额外的统计学软件自己写一组脚本就能计算两个关键指标错误接受率FAR和错误拒绝率FRR。用 10 个人、每人 4 张图的样本把所有同人组合和不同人组合都做一次比对绘制阈值变化曲线。def compute_far_frr(scores_same, scores_diff, thresholds): far_list, frr_list [], [] for thresh in thresholds: far sum(1 for s in scores_diff if s thresh) / len(scores_diff) frr sum(1 for s in scores_same if s thresh) / len(scores_same) far_list.append(far) frr_list.append(frr) return far_list, frr_list画完曲线你会发现一个规律FAR和FRR的交点通常对应 0.55 到 0.6 的阈值这个交点处的错误率就是这个系统在你采集条件下的等错误率EER。把这个指标写进论文结论比「系统识别率 95%」这种表述专业得多。所有用于评估的图像建议单独存到一个data/eval_set/目录避免与注册库混在一起造成数据泄漏。接下来要考虑的是防欺骗问题。简易签到系统用一张打印照片很容易骗过摄像头。不依赖深度学习也可以加一层轻量防御采集时连续取两帧计算眼睛区域瞳孔中心坐标的变化量。真人盯镜头时会有微小的无意识眼动两张照片则呈现完全静止。这样一个「眨眼/眼动检测」模块实现成本不到 20 行代码却能让你的系统在答辩现场直接演示「拿照片签到被拒绝」。关于后续扩展在大部分毕业设计中这套框架够你做到 80 分前端可以加一个 Flask 页面替代命令行数据库换成 MySQL 做多终端共享这些改动都不动核心编码逻辑。但如果你很早就完成了主流程更值得投入的是把虹膜归一化尺寸默认值调成参数化的——不同的摄像头和工作距离下最优的h、w差异不小。把这些值暴露成配置文件并用网格搜索跑一遍你的数据集来选最优组合这一过程本身就能写成一章「实验结果与分析」。本文还有配套的精品资源点击获取