简介这是一套面向计算机相关专业毕业设计与课程设计场景的智能监考系统源码基于Python与OpenCV实现适合正在准备毕设、期末大作业或需要项目实战练习的学生参考。项目经导师指导并通过评审代码结构完整、可运行对刚接触计算机视觉的初学者也较为友好。压缩包共353个文件约110.78MB以253个py源码文件为核心辅以pyd、dll、exe等运行依赖以及jpg、png、mp4等图像与视频素材另含pth、dat、cfg等模型与配置文件覆盖人脸检测、人脸识别等关键模块目录组织清晰便于按功能模块检索与二次开发。目前已有123人学习下载。读者可据此获得一套可直接运行的完整项目方案理解智能监考中的人脸关键点检测、身份识别与异常行为监控等实现思路并借助现成脚本与模型文件快速搭建实验环境、排查运行问题为毕设答辩与项目实战提供扎实参考。1. 从答辩现场被追问说起这套 PythonOpenCV 智能监考系统到底能做什么答辩教室里最常出现的一幕是评委盯着屏幕问一句「如果两个人同时低头你的系统会不会误报」。很多同学做毕业设计时把精力全砸在界面和论文格式上真正被追问的却是检测逻辑本身。这套基于 Python 和 OpenCV 的智能监考系统核心要解决的就是把考场视频里的异常行为——扭头、低头、离开座位、多人同框——自动识别出来并留痕而不是靠人盯着几十路画面。它适合计算机、软件工程、物联网方向的本科毕业生也适合想找一个能写进简历的 OpenCV 图像处理项目练手的人。整套方案不依赖深度学习训练大模型用 OpenCV 自带的检测器加规则判断就能跑起来普通笔记本的 CPU 就能实时处理这也是它作为毕业设计最现实的地方能演示、能讲清原理、能在答辩时扛住追问。下面我按自己带过几届毕设的经验把从环境搭建到参数调优的完整路径拆开讲。2. 环境搭建与最小可运行骨架让摄像头先出画面2.1 Python 与 OpenCV 的安装选择毕业设计翻车最多的环节不是算法是环境。Python 安装教程网上一搜一大把但真正影响后续的是版本搭配。我一般推荐 Python 3.8 到 3.10 这个区间太新的版本某些 OpenCV 预编译包还没跟上太老的版本又缺一些 API。安装时务必勾选「Add Python to PATH」否则后面在命令行敲 python 会提示找不到命令这是新手第一个血泪坑。OpenCV 的安装有两种主流方式。一种是直接 pip 装预编译包适合只想跑通功能的人另一种是自己用 CMake 编译适合需要 CUDA 加速或者要改源码的场景。毕业设计阶段除非题目明确要求 GPU 加速否则没必要折腾编译pip 足够。安装命令如下# 安装基础包headless 版本不含 GUI 依赖服务器部署时用 pip install opencv-python4.8.1.78 # 如果需要用到 cv2.imshow 这类窗口显示装完整版 pip install opencv-python4.8.1.78 opencv-contrib-python4.8.1.78 # 数值计算和图像拼接常用 pip install numpy1.24.3这里解释一下参数。opencv-contrib-python 比基础版多了 SIFT、跟踪器等扩展模块做行为分析时可能用到建议直接装 contrib 版。版本号锁死是为了避免不同机器上装出不同行为答辩前换电脑演示时能少一个变量。numpy 是 OpenCV 的底层依赖单独指定版本是因为 1.25 以后某些旧代码会有兼容性警告。装完验证一下这一步别省import cv2 import numpy as np print(OpenCV 版本:, cv2.__version__) print(NumPy 版本:, np.__version__) # 测试能否打开默认摄像头0 表示第一个摄像头 cap cv2.VideoCapture(0) if not cap.isOpened(): print(摄像头打开失败检查设备占用或驱动) else: ret, frame cap.read() print(读取一帧:, ret, 尺寸:, frame.shape if ret else None) cap.release()如果这里报ModuleNotFoundError: No module named opencv八成是 pip 装到了另一个 Python 环境里用python -m pip install明确指定解释器能解决大部分问题。摄像头打不开则优先检查是不是被其他程序占用了Windows 上很多会议软件会偷偷占用摄像头。2.2 视频读取与帧处理主循环监考系统的骨架就是一个不断读帧、处理、输出的循环。很多人一上来就写检测逻辑结果帧率掉到个位数演示时卡成幻灯片。正确的做法是先把主循环搭稳再往里塞算法。import cv2 import time def main_loop(source0, width640, height480): cap cv2.VideoCapture(source) # 设置分辨率降低分辨率是提升帧率最直接的手段 cap.set(cv2.CAP_PROP_FRAME_WIDTH, width) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, height) # 缓冲区设为 1避免读到过期帧导致画面延迟 cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) prev_time time.time() while True: ret, frame cap.read() if not ret: break # 在这里插入检测逻辑先留空 # 计算并显示 FPS方便评估性能 curr_time time.time() fps 1.0 / (curr_time - prev_time 1e-6) prev_time curr_time cv2.putText(frame, fFPS: {fps:.1f}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imshow(Exam Monitor, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows() if __name__ __main__: main_loop()这段代码的关键参数有三个。CAP_PROP_FRAME_WIDTH/HEIGHT决定处理分辨率640x480 是实时性和清晰度的平衡点再高 CPU 压力会明显上升。CAP_PROP_BUFFERSIZE设为 1 能减少延迟默认缓冲会积压好几帧导致你看到的画面比现实慢半秒。FPS 显示不是装饰它是你后面判断某个算法能不能加进来的依据——如果加完检测掉到 15 以下演示就会卡顿得考虑降分辨率或跳帧处理。提示如果用的是本地视频文件而不是摄像头把 source 换成文件路径即可但要注意视频文件的帧率是固定的处理速度跟不上会导致播放不流畅这时应该按帧号跳读而不是逐帧处理。3. 人脸检测与身份核验把「谁在考试」这件事定下来3.1 用 Haar 还是 DNN检测器选型的取舍OpenCV 自带的人脸检测器有两类。一类是 Haar 级联老牌、轻量、CPU 上飞快但侧脸和遮挡下漏检明显另一类是 DNN 模块加载预训练的 Caffe 或 ONNX 模型精度高但需要额外下载模型文件速度也慢一些。毕业设计里我一般建议先用 Haar 把流程跑通因为它的 XML 文件随 OpenCV 一起安装不用额外找资源答辩时也不会因为模型文件丢失而翻车。Haar 检测的核心参数是scaleFactor和minNeighbors。前者控制每次图像缩小的比例越小检测越细但越慢后者控制一个候选框要被多少个邻居确认才算真脸越大误检越少但漏检越多。经验值是 scaleFactor 取 1.1minNeighbors 取 5这个组合在考场这种正面为主的场景下比较稳。import cv2 # 加载 OpenCV 自带的人脸级联分类器 face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) def detect_faces(frame, scale1.1, neighbors5, min_size(60, 60)): gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 直方图均衡化改善光照不均下的检测效果 gray cv2.equalizeHist(gray) faces face_cascade.detectMultiScale( gray, scaleFactorscale, minNeighborsneighbors, minSizemin_size ) return faces # 在主循环里调用 # faces detect_faces(frame) # for (x, y, w, h) in faces: # cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2)minSize这个参数容易被忽略但它对考场场景很重要。摄像头架得远时人脸在画面里很小如果不设下限检测器会把远处的小块纹理也当成脸误检率飙升。设成 60x60 能过滤掉大部分噪声。equalizeHist是直方图均衡化考场灯光往往不均匀靠窗的考生脸偏亮、靠墙的偏暗均衡化之后检测稳定性会好不少。3.2 身份核验的简化实现思路真正的监考系统会做人脸识别比对但毕业设计阶段完整训练一个人脸识别模型成本太高。常见的替代做法是用 Haar 检测到人脸后提取一个简单特征比如人脸区域的 LBP 直方图和预先录入的考生特征做比对超过阈值就认为是本人。这不是工业级方案但足以在论文里讲清楚「检测 比对」的完整链路。from skimage.feature import local_binary_pattern import numpy as np def extract_lbp_feature(gray_face): # LBP 半径 1采样点 8uniform 模式 lbp local_binary_pattern(gray_face, P8, R1, methoduniform) # 统计直方图作为特征向量 hist, _ np.histogram(lbp.ravel(), bins59, range(0, 59)) hist hist.astype(float32) hist / (hist.sum() 1e-6) # 归一化 return hist def compare_feature(feat1, feat2, threshold0.35): # 用卡方距离衡量相似度越小越像 dist cv2.compareHist( feat1.astype(float32), feat2.astype(float32), cv2.HISTCMP_CHISQR ) return dist threshold, distLBP 特征对光照变化有一定鲁棒性计算量也小适合实时场景。阈值 0.35 是经验值实际要根据你录入的样本调整——录一个人的多张照片算平均特征再拿另一张测试看距离分布落在哪个区间。这个环节答辩时容易被问「如果双胞胎怎么办」老实回答「当前方案基于纹理特征对高度相似人脸区分能力有限后续可引入深度学习特征」比硬撑更稳妥。4. 异常行为判定扭头、低头、离座的规则怎么写4.1 头部姿态的粗略估计没有深度学习姿态估计模型的情况下可以用人脸检测框的位置变化来粗略判断头部朝向。原理很简单人脸框中心相对于画面中心或肩膀位置的偏移能反映考生是不是扭头看别处。更细一点的做法是结合眼睛检测用两眼连线与水平线的夹角判断头部倾斜。eye_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_eye.xml ) def estimate_head_pose(frame, face_rect): x, y, w, h face_rect roi_gray cv2.cvtColor(frame[y:yh, x:xw], cv2.COLOR_BGR2GRAY) eyes eye_cascade.detectMultiScale(roi_gray, 1.1, 5) if len(eyes) 2: return unknown, 0.0 # 取前两个眼睛计算连线角度 (ex1, ey1, ew1, eh1) eyes[0] (ex2, ey2, ew2, eh2) eyes[1] cx1, cy1 ex1 ew1 // 2, ey1 eh1 // 2 cx2, cy2 ex2 ew2 // 2, ey2 eh2 // 2 import math angle math.degrees(math.atan2(cy2 - cy1, cx2 - cx1)) # 角度绝对值超过阈值认为头部倾斜 if abs(angle) 15: return tilted, angle return normal, angle这里 15 度是倾斜判定阈值实际调试时你会发现考生正常低头写字也会触发所以单靠眼睛角度不够得结合人脸框在画面中的垂直位置。人脸框中心明显低于基线才判定为低头。这种多条件组合是规则法的典型思路单个特征都不可靠组合起来才能把误报压下去。4.2 离座检测与多人同框离座检测最直接的办法是判断画面里还有没有人脸。连续 N 帧检测不到人脸就认为考生可能离开了座位。N 的取值很关键取太小会因为考生低头捡笔误报取太大又反应迟钝。我一般取 30 帧按 25 FPS 算大约 1.2 秒这个时长能过滤掉大部分短暂遮挡。class AbsenceDetector: def __init__(self, threshold_frames30): self.threshold threshold_frames self.counter 0 def update(self, face_count): if face_count 0: self.counter 1 else: self.counter 0 # 一旦检测到人脸立即重置 return self.counter self.threshold absence AbsenceDetector(threshold_frames30) # 在主循环里 # if absence.update(len(faces)): # cv2.putText(frame, ALERT: ABSENCE, (10, 60), ...)多人同框的判定更简单一帧里检测到的人脸数量大于 1就标记异常。但要注意考场里相邻座位的考生可能同时进入画面边缘所以得先做区域划分只统计当前考生座位区域内的人脸。这个区域可以在系统初始化时手动框选或者用固定机位预设坐标。注意规则法的所有阈值都不是拍脑袋定的必须拿真实考场视频或者自己录制的模拟视频跑一遍统计误报和漏报再回头调参数。答辩时评委最爱问的就是「你这个阈值怎么来的」有统计数据支撑的回答才站得住。5. 避坑与排查那些让演示当场翻车的细节5.1 摄像头被占用导致画面全黑现象是程序能跑起来但 imshow 出来的窗口一片黑或者 read 一直返回 False。原因通常是摄像头被其他程序占用Windows 上会议软件、相机应用甚至某些浏览器标签都会抢占。解决办法是先关掉所有可能用到摄像头的程序再在代码里加一个重试逻辑打开失败时等待一秒重试三次。另外笔记本上如果有多个摄像头索引 0 和 1 可能对应不同设备挨个试一下。5.2 帧率骤降导致演示卡顿现象是刚启动时流畅跑一会儿越来越卡。原因多半是每帧都在做重复的初始化操作比如在循环里反复加载级联分类器 XML 文件。分类器加载是磁盘 IO放在循环里每帧都读一次不卡才怪。解决办法是把所有分类器、模型、参数在循环外初始化好循环里只做检测和绘制。另一个常见原因是绘制了太多历史轨迹线每帧都在往一张越来越大的画布上叠加内存和 CPU 都吃不消应该限制轨迹长度或者定期清空。5.3 光照变化让检测时灵时不灵现象是上午演示好好的下午换个教室就检测不到了。原因是 Haar 特征对光照敏感光线过暗或过曝都会让特征失效。解决办法是加直方图均衡化或者用自适应阈值做预处理。更稳妥的做法是在摄像头旁边补一个小光源保证考生面部光照相对稳定。如果条件允许换用 DNN 检测器它对光照的鲁棒性明显好于 Haar代价是速度慢一些。5.4 误报太多被评委质疑可用性现象是系统频繁报警考生正常翻个书、挠个头都触发异常。原因是阈值设得太敏感或者判定逻辑太单一。解决办法是引入「持续帧数」机制单个异常特征连续出现超过一定帧数才报警瞬时动作直接忽略。另外可以把多个特征做加权比如低头角度大且持续久才判定为异常单纯角度大但只出现一两帧就不报。这个调参过程要有记录论文里可以画一张误报率随阈值变化的曲线比空谈「效果良好」有说服力。5.5 打包分发后别人电脑跑不起来现象是自己电脑上一切正常拷给同学或者答辩用的公用电脑就报错。原因通常是依赖没打包全或者路径写成了绝对路径。解决办法是用 requirements.txt 记录所有依赖及版本对方用 pip install -r requirements.txt 一键安装。路径问题则统一用相对路径或者基于os.path.dirname(__file__)动态获取别写死D:\毕设\...这种。如果要用到 OpenCV 的 XML 文件用cv2.data.haarcascades获取路径它在任何机器上都指向正确位置。6. 把检测结果变成可展示的证据链截图、日志与回放答辩演示最尴尬的情况是系统报了一堆警但评委问「刚才那个异常发生在第几秒、画面是什么样」时你答不上来。所以最后这一步不是锦上添花是让整个系统从「能跑」变成「能证明」的关键。我的习惯是给每次异常都留三样东西一张带时间戳的截图、一条结构化日志、一段可回放的短视频片段。截图最简单检测到异常时把当前帧存下来文件名带上时间戳和异常类型import os import time import cv2 def save_alert(frame, alert_type, save_diralerts): os.makedirs(save_dir, exist_okTrue) ts time.strftime(%Y%m%d_%H%M%S) filename f{ts}_{alert_type}.jpg path os.path.join(save_dir, filename) # 在图上叠加时间戳和类型方便事后核对 marked frame.copy() cv2.putText(marked, f{alert_type} {ts}, (10, frame.shape[0] - 20), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.imwrite(path, marked) return path日志用标准库的 logging 就够别自己拼字符串写文件并发写容易乱。配置成每条日志带时间、级别、异常类型和截图路径事后用脚本一解析就能生成异常统计表论文里的实验数据直接从这里来。import logging logging.basicConfig( filenamemonitor.log, levellogging.INFO, format%(asctime)s | %(levelname)s | %(message)s ) # 检测到异常时 # path save_alert(frame, head_tilt) # logging.info(fhead_tilt | screenshot{path} | angle{angle:.1f})回放片段稍微麻烦一点思路是在内存里维护一个环形缓冲区保存最近几秒的帧检测到异常时把缓冲区里的帧写成一个视频文件。这样你既有异常发生瞬间的画面也有前几秒的上下文评委能看清考生是从正常状态怎么过渡到异常的。缓冲区大小按帧率算25 FPS 想留 5 秒就存 125 帧内存占用对 640x480 的图来说完全可以接受。证据类型存储位置用途注意事项截图alerts/ 目录论文插图、答辩展示文件名带时间戳避免覆盖日志monitor.log统计分析、异常计数用 logging 模块别手动写回放片段clips/ 目录答辩现场回放环形缓冲控制内存占用这套证据链还有一个隐藏好处调参的时候你能回看误报是怎么发生的。我调低头检测阈值那会儿就是靠回放发现考生捡笔的动作被误判成低头然后把判定条件从「角度超阈值」改成「角度超阈值且人脸框下移超过画面高度 15%」误报直接降了一大截。这种细节光看代码是想不出来的必须看回放。最后说个我自己的习惯每次改完参数先拿同一段测试视频跑一遍把异常次数和截图数量记在表格里改一次记一次。答辩前翻这张表哪个参数影响最大一目了然评委问起来也能对答如流。这套系统不难难的是把每个阈值都调到有依据、每个报警都能解释清楚。希望帮到你。本文还有配套的精品资源点击获取