RuntimeError图像类型不兼容问题及人脸识别考勤代码优化求助

一、RuntimeError错误修复 #

这个错误是因为传入face_recognition的图像格式不符合要求，结合你的代码，主要问题及修复方案如下：

1. 摄像头帧读取异常 #

video.read()可能读取失败（比如摄像头初始化慢、设备故障），导致frame为空，后续处理必然报错。修复时先判断读取状态：

while True: 
    check, frame = video.read()
    # 新增：跳过无效帧
    if not check:
        continue
    small_frame = cv2.resize(frame, (0,0), fx=0.5, fy= 0.5)
    rgb_small_frame = small_frame[:,:,::-1]

2. 错误的图像通道重复操作 #

你的代码里rgb_small_frame.repeat(3,2)会把3通道RGB图像变成9通道，完全不符合face_recognition要求的8bit RGB格式，直接移除该操作：

# 原错误代码
# face_encodings = face_recognition.face_encodings(rgb_small_frame.repeat(3,2), face_locations)
# 修改后：
face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)

3. 本地图片格式兼容问题 #

部分PNG图片是RGBA四通道格式，需要统一转成RGB：

for root,dirs,files in os.walk(image_dir):
    for file in files:
        if file.lower().endswith(('jpg', 'jpeg', 'png')):
            path = os.path.join(root, file)
            img = face_recognition.load_image_file(path)
            # 处理RGBA图片转RGB
            if img.shape[-1] == 4:
                img = img[...,:3]
            label = file[:len(file)-4]
            # 处理无人脸的图片，避免索引错误
            try:
                img_encoding = face_recognition.face_encodings(img)[0]
                known_face_names.append(label)
                known_face_encodings.append(img_encoding)
            except IndexError:
                print(f"警告：图片{path}未检测到人脸，已跳过")
                continue

4. 路径末尾多余空格 #

image_dir拼接时末尾多了空格，可能导致找不到目录，改用os.path.join自动处理路径：

# 原代码
# image_dir = os.path.join(base_dir,"{}\{}\{}\{}\{}\{} ".format('static','images','Student_Images',details['branch'],details['year'],details['section']))
# 修改后：
image_dir = os.path.join(base_dir, 'static', 'images', 'Student_Images', details['branch'], details['year'], details['section'])

二、指定代码段的执行效率优化 #

1. 数据库操作优化 #

原代码循环保存考勤记录，每次save()触发一次数据库请求，效率极低。改成批量创建，同时优化学生ID查询：

# 原代码
students = Student.objects.filter(branch=details['branch'], year=details['year'], section=details['section'])
names = Recognizer(details)
for student in students:
    attendence = Attendence(...)
    attendence.save()

# 修改后：
# 1. 直接获取学生ID集合，减少内存占用
student_ids = Student.objects.filter(
    branch=details['branch'], 
    year=details['year'], 
    section=details['section']
).values_list('registration_id', flat=True)
# 转成字符串集合，加快判断速度
names_set = set(names)
# 2. 批量创建考勤记录
attendence_list = []
for student_id in student_ids:
    status = 'Present' if str(student_id) in names_set else ''
    attendence = Attendence(
        Faculty_Name=request.user.faculty, 
        Student_ID=str(student_id), 
        period=details['period'], 
        branch=details['branch'], 
        year=details['year'], 
        section=details['section'],
        status=status
    )
    attendence_list.append(attendence)
# 批量插入，仅一次数据库请求
Attendence.objects.bulk_create(attendence_list)

2. 人脸识别函数优化 #

（1）缓存人脸编码

每次调用Recognizer都重新加载图片生成编码，重复计算浪费时间，用Django缓存缓存编码：

from django.core.cache import cache

def Recognizer(details):
    cache_key = f"face_encodings_{details['branch']}_{details['year']}_{details['section']}"
    # 先从缓存取
    cached_data = cache.get(cache_key)
    if cached_data:
        known_face_encodings, known_face_names = cached_data
    else:
        known_face_encodings = []
        known_face_names = []
        # ...（前面修复后的加载图片代码）
        # 缓存1小时（可按需调整）
        cache.set(cache_key, (known_face_encodings, known_face_names), 3600)
    
    # 后续摄像头识别逻辑...

（2）减少重复计算

原代码重复调用compare_faces和face_distance，直接去掉重复：

for face_encoding in face_encodings:
    try:
        face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
        best_match_index = np.argmin(face_distances)
        if face_distances[best_match_index] <= 0.6:
            name = known_face_names[best_match_index]
            face_names.append(name)
            if name not in names_set:
                names_set.add(name)
    except:
        pass

（3）优化集合判断

把names初始化为集合，避免每次查询的O(n)耗时：

# 原代码names = []
names_set = set()

# 识别时：
if name not in names_set:
    names_set.add(name)

# 最后返回列表
return list(names_set)

内容的提问来源于stack exchange，提问作者Gupta Manish Deepak