批量制作证件照：团队入职照片快速处理方案

先聊聊为啥要专门搞这套方案

去年Q3行政部的同事找过来吐槽，说每次新员工入职，光处理证件照就能耗掉小半天：收上来的照片千奇百怪，有手机怼脸自拍的、有旅游照截出来的、还有红底蓝底白底混着交的，尺寸从几KB到十几M不等，偏偏要求还不少——工牌要1寸标准蓝底、社保系统要358*441白底且文件大小不超过100KB、党员档案要2寸红底。
一开始试过用PS录动作批处理，结果抠图环节完全拉胯：遇到黑头发配深色衣服、碎头发多的照片，边缘要么缺一块要么留一圈白边，还是得逐张修；也试过公网的在线批量工具，点进去就要传照片，一想到是员工个人敏感信息，赶紧关了页面——之前听同行说过，他们用免费在线工具处理入职照，半年后这批照片被爬去了黑产素材库，挨了监管处罚还赔了钱；找楼下打印店处理，5块钱一张，钱是小事，来回传文件、等排版要耗大半天，赶上集中入职20多个人，效率太低。
索性抽了半小时写了个本地跑的批量处理脚本，一劳永逸解决这事儿。

可选方案对比，选最适合团队用的

我把当时试过的四个方向拉了个表，从团队使用的核心需求出发对比，最后选了本地Python脚本的方案：

方案类型	数据隐私性	单次处理成本	效果可控度	上手门槛	长期复用性
PS动作批处理	本地处理，无外泄风险	需付PS软件授权费	低，抠图效果差，边缘瑕疵多	中等	一般，换尺寸/背景要重录动作
公网在线工具	需上传公网，有泄露风险	免费/1-3元/张按次收	中等，参数固定没法按需求调整	极低	差，随时可能关站、涨费
本地Python脚本	全程本地离线，零外泄	0成本	高，所有参数全可调，抠图模型可选	中等	极高，一次写完改参数适配全场景
商业证件照SaaS	需上传第三方服务器	2-5元/张按次收	高，带美颜但自定义权限低	低	差，依赖服务商定价和接口稳定性

这里必须提个合规红线：员工入职照片、身份证照片属于受《个人信息保护法》约束的敏感个人信息，处理过程必须严格控制数据流向，绝对不能为了省事把未经授权的员工照片传到公网工具，一旦出数据泄露问题，责任划不清。

本地批量处理方案落地步骤

整个环境搭建加调试不超过10分钟，脚本写完以后不管行政同事要什么规格的照片，改改参数就能跑。

环境准备（5分钟搞定）

不用搭复杂的虚拟环境，只要本机有Python3.8及以上版本就行，打开终端装三个依赖包：

pip install rembg pillow tqdm

安装说明：
- 第一次运行rembg会自动下载预训练的u2net分割模型（约176M），不需要手动找资源，等自动下载完就行；
- 如果是完全离线的内网环境，提前从rembg官方仓库下好u2net.onnx文件，放到用户目录下的.u2net文件夹就能离线跑，不用连公网；
- 尽量装最新版的Pillow，避免旧版本图片缩放接口不兼容。

核心处理逻辑拆解

写脚本的时候特意避开了很多开源证件照脚本的通病，核心逻辑都是照着实际落地的需求做的：
1. 批量遍历输入文件夹的所有图片，支持jpg/png/jpeg格式，遇到损坏文件自动跳过不中断整个流程；
2. 智能抠图：开启alpha matting边缘优化，亲测alpha_matting_foreground_threshold=240、alpha_matting_background_threshold=10、alpha_matting_erode_size=10这套参数，抠出来的头发丝没有硬白边，也不会把碎头发抠没；
3. 规范画布：绝对不能直接拉伸图片导致人脸变形——先按比例缩放人像，保证头顶留空10%、人脸居中偏上、肩膀距画布底部20%，完全符合官方证件照的位置规范，再把人像贴到固定尺寸的纯色背景上；
4. 智能压缩：很多脚本漏了这步——保存JPG的时候从质量95开始往下降，直到文件大小落到要求的区间（比如社保要求20-100KB），不用手动反复调压缩率；
5. 按规则重命名保存，自动加上规格后缀，方便行政同事归类。

可直接复用的代码

把代码存成idphoto_batch.py就行，所有需要调整的参数都集中在开头的配置块，不用改核心逻辑：

import os
import io
from tqdm import tqdm
from PIL import Image
from rembg import remove, new_session

# -------------------------- 配置项，按需修改就行 --------------------------
INPUT_DIR = "./input"  # 把原始照片都丢到这个文件夹
OUTPUT_DIR = "./output"  # 处理完的照片存在这里
PHOTO_SPECS = {
    "1寸蓝底": {
        "size": (295, 413),  # 1寸标准像素（300DPI）
        "bg_color": (67, 142, 219),  # 通用证件蓝
        "min_kb": 20,
        "max_kb": 100
    },
    "社保白底": {
        "size": (358, 441),  # 全国社保系统通用尺寸
        "bg_color": (255, 255, 255),
        "min_kb": 20,
        "max_kb": 90
    }
}
# 抠图模型选标准u2net，别用轻量版u2netp，头发丝效果差很多
REMBG_SESSION = new_session("u2net")
# ---------------------------------------------------------------------------

def resize_keep_ratio(person_img, target_w, target_h, bg_color):
    """等比缩放人像，不变形，位置符合证件照规范"""
    w, h = person_img.size
    # 人像高度占画布75%，是证件照最舒服的比例
    target_person_h = int(target_h * 0.75)
    scale = target_person_h / h
    new_w = int(w * scale)
    new_h = int(h * scale)
    person_resized = person_img.resize((new_w, new_h), Image.Resampling.LANCZOS)
    # 创建纯色背景画布
    bg = Image.new("RGB", (target_w, target_h), bg_color)
    # 人像水平居中，垂直偏上，留够头顶空间
    paste_x = (target_w - new_w) // 2
    paste_y = int(target_h * 0.1)
    bg.paste(person_resized, (paste_x, paste_y), mask=person_resized.split()[3])
    return bg

def compress_image(img, save_path, min_kb, max_kb):
    """循环调整压缩质量，把文件大小控制在目标区间"""
    quality = 95
    while quality >= 10:
        img.save(save_path, "JPEG", quality=quality, dpi=(300, 300))
        file_kb = os.path.getsize(save_path) / 1024
        if min_kb <= file_kb <= max_kb:
            break
        quality -= 5
    return

if __name__ == "__main__":
    os.makedirs(OUTPUT_DIR, exist_ok=True)
    img_list = [f for f in os.listdir(INPUT_DIR) if f.lower().endswith(("jpg", "jpeg", "png"))]
    print(f"共找到{len(img_list)}张待处理照片")

    for img_file in tqdm(img_list):
        try:
            file_name = os.path.splitext(img_file)[0]
            img_path = os.path.join(INPUT_DIR, img_file)
            with open(img_path, "rb") as f:
                raw_img = f.read()
            # 抠图+边缘优化
            person_png = remove(
                raw_img,
                session=REMBG_SESSION,
                alpha_matting=True,
                alpha_matting_foreground_threshold=240,
                alpha_matting_background_threshold=10,
                alpha_matting_erode_size=10
            )
            person_img = Image.open(io.BytesIO(person_png)).convert("RGBA")
            # 逐个生成配置里的规格
            for spec_name, spec_conf in PHOTO_SPECS.items():
                final_img = resize_keep_ratio(
                    person_img,
                    spec_conf["size"][0],
                    spec_conf["size"][1],
                    spec_conf["bg_color"]
                )
                save_path = os.path.join(OUTPUT_DIR, f"{file_name}-{spec_name}.jpg")
                compress_image(final_img, save_path, spec_conf["min_kb"], spec_conf["max_kb"])
        except Exception as e:
            print(f"处理{img_file}出错：{str(e)}，已跳过")
            continue
    print("全部处理完成！")

批量处理必踩的坑和优化技巧

拿脚本跑了几批之后发现，光有代码还不够，把这些细节注意到，能少返很多工。

收素材的时候先把好第一道关

别什么照片都往input文件夹里塞，提前给行政发个三句话的收图要求，能把处理成功率提到95%以上：
1. 正面免冠，不要大仰头大低头，不要戴帽子、口罩、墨镜，脸尽量在照片中间；
2. 光线均匀，不要背光、不要脸上有很重的阴影，别用重度美颜滤镜把五官磨没了；
3. 分辨率不低于480P，不要用朋友圈、聊天软件压缩过的模糊截图。

亲测只要素材满足这三个要求，基本不会出大问题。之前遇到个新人传了张爬长城的侧身旅游照，硬跑脚本结果抠出来半块城墙，来回返工耽误了半小时。

效果校准只需要盯3个异常点

不用逐张放大到100%看像素，快速过一遍就行：
- 有没有抠缺头发、肩膀：遇到这种单独把原片丢到本地免费的抠图工具补两笔，30秒搞定，不用重跑整个批次；
- 有没有人脸偏出画布：多半是原片脸太歪、构图太偏，让新人重发一张比手动调整快；
- 背景色有没有色差：用取色器确认是标准色值，别用亮得晃眼的饱和色，不然打出来的工牌颜色特别奇怪。

效率翻倍的小优化

• 花10分钟用tkinter写个极简GUI，把尺寸、背景色、文件大小的配置做成输入框，行政同事不用改代码，选完参数点个按钮就能跑，不用每次找技术部帮忙；
• 加个自动排版功能：处理完单张证件照，自动把8张1寸照排到1205*1795的6寸相纸画布上，存成300DPI的印刷格式，直接发打印店就能打，省得打印店收10块钱排版费；
• 加个简单的gamma亮度校正：如果收上来的照片普遍偏暗，批量加个1.1倍的亮度拉升，不用单张拉曲线。

实际跑了大半年的效果复盘

从去年写好这个小脚本到现在，前前后后处理了快300个员工的入职照、职称考试报名照、党员档案照片，算下来比之前单张PS修图省了至少40个小时的重复劳动。
说几个实打实的感受：
1. 别追求过度精修：团队统一证件照的核心是「规范、一致」，不是拍艺术照。一开始我给脚本加了磨皮、美白的功能，后来发现磨完的照片印到工牌上，保安经常拦着说和本人对不上，后来干脆把美颜模块删了，保持真实反而最省心；
2. 别为了省那两秒速度牺牲效果：一开始为了跑得快用了u2netp轻量模型，结果每张图边缘都有一圈细白边，打出来特别明显，换成标准u2net模型之后，单张图处理也就1秒左右，300张图5分钟就跑完，完全感知不到慢；
3. 能用本地解决的就别找第三方：不是不信任SaaS服务商，是员工敏感信息这事儿，能少一个流转环节就少一点风险，本地跑的脚本虽然朴素，但是最可控，不会出莫名其妙的问题。

其实这种小工具没什么高大上的技术含量，就是把重复的机械劳动用脚本替了而已。之前行政同事每次处理入职照片都愁得慌，现在收完照片往文件夹里一拖，点一下脚本，泡杯茶的功夫就全弄完了。做技术久了会发现，不一定非要搞什么分布式、高并发的大项目才叫价值，能解决身边同事的实际小痛点，比啥都实在。