Face_recognition人脸识别之考勤统计

前置条件环境准备如下所示：Pycharm+python3.6+sklearn+face_recognition+dlib

Step1：KNN算法简介

K最近邻(k-Nearest Neighbor，KNN)分类算法的核心思想是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法可用于多分类，KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，作为预测值。

KNeighborsClassifier在scikit-learn在sklearn.neighbors包之中。

KNeighborsClassifier使用很简单，三步：

1）创建KNeighborsClassifier对象

2）调用fit函数

3）调用predict函数进行预测。

Step2：看看项目的目录结构如下

Step3：看看训练数据

Step4：看看测试数据

Step5：看看模型计算出来的考勤数据

打开后如下图所示：

Step6：两个核心的py文件解析

KNN_Recognition_easy.py 通过模型去统计考勤的py文件。

KNN_Train_easy.py 通过训练数据生成模型的py文件。代码如下：

程序入口：

调用main()

往下依次调用有：

predict()

getvalueToKey()

strTotime()

prase_filename_date()

writeExcel()