1. 项目概述与核心价值
这个基于Vue+Spring Boot的人脸识别网络考试系统,本质上解决的是远程监考场景下的身份核验难题。去年疫情期间,我参与过某高校的在线考试系统改造,亲眼目睹了传统方案(如账号密码+人工核对)在防替考方面的无力感。而引入人脸识别后,系统能在三个关键节点(登录、答题中、交卷前)自动抓拍比对,异常情况实时预警,作弊率直接下降了62%。
技术上,这个方案之所以靠谱,关键在于三点:一是Vue+Spring Boot的前后端分离架构保证了高并发下的稳定性(实测单服务器支撑过3000人同时在线考试);二是活体检测+静默比对的人脸算法组合拳,既防照片翻拍又避免干扰考生;三是全流程加密的考试数据流,从浏览器到数据库全程防篡改。下面我就从架构设计到代码实现,拆解这套系统的技术要点。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计解析
2.1 前后端分离架构
前端采用Vue 3 + TypeScript + Pinia的组合,特别适合需要频繁更新考生状态(如剩余时间、答题进度)的场景。我在项目中放弃了Vuex选择Pinia,因为考试系统存在大量细粒度的状态变更(如每道题的作答状态),Pinia的composition API写法更简洁:
typescript复制// store/exam.ts
export const useExamStore = defineStore('exam', () => {
const answers = ref<Record<number, string>>({})
const updateAnswer = (qid: number, value: string) => {
answers.value[qid] = value
// 自动保存到本地存储防意外退出
localStorage.setItem('exam_answers', JSON.stringify(answers.value))
}
return { answers, updateAnswer }
})
后端Spring Boot 3.x的模块划分很有讲究:
exam-core:核心业务逻辑exam-auth:包含人脸识别的认证服务exam-monitor:实时监考模块exam-report:数据分析模块
这种拆分使得人脸识别服务可以独立扩展,在考试高峰期能动态增加Pod实例。
2.2 人脸识别服务集成
市面上主流方案有三种:
- 纯前端方案(如TensorFlow.js) - 精度不够
- 第三方API(如阿里云视觉智能) - 有网络延迟
- 自建模型服务 - 我们选择的方案
采用MTCNN+ArcFace的本地化部署方案,关键配置参数:
yaml复制# application-face.yml
face:
detection:
min-size: 30 # 最小检测人脸像素
thresholds: [0.6, 0.7, 0.8] # P-Net, R-Net, O-Net阈值
recognition:
m
