python3GUI--基于深度学习的人脸识别管理系统（详细图文介绍）

文章目录

一．前言
二．核心技术&知识
三．核心功能展示
四．项目运行环境
- 1.项目依赖
- 2.项目结构
五．总结

本系统强大，基于深度学习实现了人脸的录入与识别，并且支持多种类型数据管理，项目上手简单，欢迎了解！

一．前言

随着人工智能与计算机视觉技术的快速发展，人脸识别作为一种高效、直观的生物特征识别方式，已在安防监控、门禁考勤、身份核验和智能终端等领域得到广泛应用。相较于传统的身份认证手段，人脸识别具备非接触性强、使用便捷和自动化程度高等显著优势，在提升管理效率与系统安全性的同时，也对软件系统的稳定性、实时性与数据管理能力提出了更高要求。

在此背景下，开发一套集人脸识别与信息管理于一体的桌面级应用系统，具有较强的实践意义与应用价值。本文围绕基于 PyQt5 的人脸识别与管理系统展开研究与实现，结合图形化界面设计与人脸识别核心算法，构建了一个功能完整、结构清晰、交互友好的综合平台。系统不仅实现了人脸采集、识别与比对等核心功能，还融合了用户管理、数据存储及日志审计机制，为后续系统扩展与实际部署提供了良好的技术基础。

二．核心技术&知识

在这章我将要介绍本系统的核心技术。

1.PyQt5

PyQt5 是一套用于创建跨平台桌面应用程序的 Python GUI 工具包，它是 Qt 应用框架的 Python 绑定。通过 PyQt5，开发者可以使用 Python 编写具有现代图形界面的应用程序，支持丰富的控件、信号与槽机制、窗口管理、事件处理等功能。它兼容主流操作系统（如 Windows、macOS 和 Linux），适用于开发各种规模的桌面软件，常与 Qt Designer 配合使用以加快开发效率。

2.sqlite3

本次数据均存储在sqlite数据库中，数据库里包含用户注册信息。

SQLite3 是一种轻量级的嵌入式关系型数据库管理系统，被广泛应用于桌面软件、移动应用和嵌入式设备中。与传统的客户端---服务器数据库不同，SQLite3 不需要独立的数据库服务进程，其数据库以单个文件的形式直接存储在本地磁盘中，应用程序通过库函数直接读写数据。这种设计使 SQLite3 具有零配置、易部署和占用资源极少的特点，非常适合对体积和性能敏感的场景。

在功能方面，SQLite3 完整支持 SQL-92 标准的大部分特性，包括表、索引、视图、触发器和事务等机制，能够满足大多数中小规模数据存储需求。它采用 ACID 事务模型，通过日志机制保证数据的一致性和可靠性，即使在系统异常断电的情况下也能有效防止数据损坏。SQLite3 还支持多线程和多进程访问，采用读写锁机制实现并发控制，虽然同一时间只允许一个写操作，但在读取密集型场景下依然具有良好性能。

从开发角度来看，SQLite3 提供了简洁稳定的 C 接口，并被众多语言如 Python、C++、Java 等原生或通过绑定方式支持，极大降低了使用门槛。由于其开源、跨平台和高度可靠的特性，SQLite3 已成为本地数据存储领域中不可或缺的基础组件，在实际工程中具有极高的实用价值。

3.QT设计师

Qt 设计师（Qt Designer）是 Qt 框架中用于可视化界面设计的专业工具，主要用于快速构建桌面应用程序的图形用户界面。它采用所见即所得的设计方式，开发者可以通过拖拽控件、调整布局和设置属性，直观地完成窗口与界面结构设计，而无需手写大量界面代码。Qt Designer 支持信号与槽机制的可视化配置，能够将界面事件与业务逻辑高效衔接，并通过生成 .ui 文件与 Qt 程序无缝集成。在 Python（如 PyQt、PySide）和 C++ 项目中，Qt Designer 都能显著提升界面开发效率，降低维护成本，使开发者更专注于核心功能实现，是 Qt 桌面应用开发中不可或缺的重要工具。

4.多线程

QThread 是 PyQt5 中用于实现多线程的重要类，主要用于将耗时任务从主线程（GUI 线程）中分离出来，以避免界面卡顿或无响应。在 PyQt5 中，所有界面组件都必须运行在主线程中，如果在主线程中直接执行耗时操作，如文件读写、网络请求或复杂计算，就会阻塞事件循环，影响用户体验。QThread 的作用正是为了解决这一问题。

通过继承 QThread 并重写 run() 方法，开发者可以将需要后台执行的逻辑放入子线程中运行。线程启动后，run() 会在新的线程环境中执行，而不会影响主线程的界面刷新。QThread 通常会结合信号与槽机制使用，子线程在执行过程中可以通过自定义信号向主线程发送数据或状态更新，主线程再通过槽函数安全地更新界面，从而避免直接跨线程操作 UI 所带来的风险。

在实际开发中，更推荐使用"QObject + QThread"的方式，即将业务对象移动到线程中执行，而不是直接继承 QThread，这种方式结构更清晰、可维护性更高。合理使用 QThread 能显著提升 PyQt5 应用的性能和交互体验，是构建复杂桌面程序的关键技术之一。

5.关于人脸识别

1.人脸识别

人脸识别是一种基于计算机视觉与人工智能技术的生物特征识别方式，通过对人脸图像或视频中的关键特征进行分析，实现个体身份的自动识别与验证。其核心流程通常包括人脸检测、关键点定位、特征提取和特征比对四个阶段：系统首先从复杂场景中定位人脸区域，其次对眼睛、鼻子、嘴巴等关键结构进行建模，再将人脸转换为具有判别力的高维特征向量，最后通过相似度计算判断身份匹配程度。随着深度学习的发展，基于卷积神经网络的人脸识别技术在准确率、鲁棒性和实时性方面取得了显著提升，能够有效应对光照变化、姿态偏移和表情差异等复杂情况。人脸识别已广泛应用于门禁考勤、公共安全、金融支付、智能终端和身份核验等领域，在提升管理效率与安全性的同时，也对数据隐私保护和伦理规范提出了更高要求。

2.人脸特征提取

人脸特征提取是人脸识别系统中的核心环节，其目标是将人脸图像转换为能够稳定表征个体身份的特征向量。该过程通常在人脸检测与对齐之后进行，通过对人脸关键结构和纹理信息进行建模，提取具有区分度且对外界干扰不敏感的特征。早期方法多依赖人工设计特征，如 LBP、HOG、Gabor 等，侧重于刻画局部纹理与边缘信息，但在光照、姿态变化较大时鲁棒性有限。随着深度学习的发展，基于卷积神经网络的人脸特征提取方法逐渐成为主流，模型可自动学习人脸的高层语义特征，并将其映射到统一的特征空间，使同一人的特征距离更近、不同人的特征距离更远。通过这种方式，人脸特征提取为后续的人脸比对与身份判定提供了高精度、可量化的基础。

2.人脸关键点检测

人脸关键点检测是人脸分析中的重要基础技术，主要用于在图像或视频中精确定位人脸上的关键结构位置，如眼睛、眉毛、鼻子、嘴巴和下颌轮廓等。其核心目标是通过一组具有语义意义的特征点，描述人脸的几何形态，为后续的人脸对齐、特征提取和表情分析提供可靠依据。传统方法多基于统计模型或回归算法，通过人工特征逐步逼近关键点位置，但在复杂光照和姿态变化下效果有限。当前主流的人脸关键点检测方法普遍采用深度学习模型，能够从大量数据中自动学习人脸结构特征，实现对遮挡、角度变化和表情差异的鲁棒处理。准确的人脸关键点检测不仅提升了人脸识别的稳定性，也广泛应用于人脸美化、表情识别、姿态估计和虚拟现实等领域。

6.欧氏距离

欧氏距离（Euclidean Distance）是最常见、最直观的一种距离度量方式，用来衡量两个点在欧几里得空间中的"直线距离"，可以理解为"尺子量出来的距离"。

1.公式

2.核心特点

✅直观性强：符合人类对"距离"的几何直觉

✅ 连续可导：在优化问题中非常友好

❌ 对量纲敏感：不同特征尺度差异大会严重影响结果

❌ 对异常值敏感：平方项会放大极端值的影响

3.代码实现

python 复制代码

import numpy as np

def euclidean_distance(a, b):
    return np.sqrt(np.sum((a - b) ** 2))

三．核心功能展示

1.登录注册

本系统基于 PyQt5 框架开发，采用登录与注册相结合的使用模式，用户需先完成账号注册并成功登录后，方可进入系统并使用其正式功能。首次启动软件时，系统会引导用户填写匹配的账号与密码信息，点击"登录"按钮后完成身份校验，只有通过验证的用户才能正常访问系统的各项核心功能，从而有效保障系统的使用安全性与规范性。

在界面设计上，我们对登录注册界面进行了精心美化与布局优化。整体界面采用左右分区结构，左侧展示以"车"为主题的高清图片，直观突出系统围绕车辆相关业务展开的设计理念；右侧则为主要的功能操作区域，集成了登录、注册及窗口控制等核心交互元素。用户可在右上角进行最小化或关闭操作，并可通过点击蓝色的按钮文字，在登录页面与注册页面之间自由切换，操作直观且流畅。

在输入安全方面，系统制定了严格的输入策略：账号长度限制为最多 10 位，密码长度限制为最多 16 位；在密码输入过程中，系统会自动将字符显示为圆形黑点，有效防止密码泄露。同时，每个输入框均配备了"清空"按钮，用户在输入内容后可一键清除当前输入，提高了操作的便捷性与友好性。

为了提升用户体验，我们还细致设计了多种鼠标交互效果。当鼠标移入输入框时，输入框会呈现明显的 hover 状态变化；当鼠标移入按钮区域时，按钮背景颜色会发生细微变化，增强界面的反馈感知。当用户点击最小化按钮时，窗口将收起至任务栏；点击关闭按钮时，系统会弹出二次确认提示，只有在用户确认退出后，程序才会正式关闭，完整结束软件生命周期。

下图为登录操作流程图，展示了登录界面的逻辑流转

2.主界面&首页

用户在成功完成登录验证之后，系统会自动跳转至首页界面。首页作为系统的核心入口，集中展示了平台所具备的主要功能模块，整体布局清晰，操作逻辑直观，方便用户快速上手使用。页面左侧设置了固定导航区域，用户可以通过点击左侧的导航按钮，自由切换右侧主内容区域所展示的具体功能页面，从而高效完成各项操作。

在左侧导航栏中，系统提供了多个可勾选的工具按钮，并为每个按钮精心设计了对应的提示图标和文字说明，帮助用户在无需额外学习的情况下，直观理解各功能的用途。导航按钮涵盖了首页、人脸录入、人脸识别、用户数据管理、人脸数据管理、登录日志管理、操作日志管理以及系统设置等核心模块。每一个按钮都与右侧的独立功能页面一一对应，确保功能划分明确、结构清晰。

此外，系统还为用户提供了便捷的"关于系统"入口，用户可通过该按钮查看系统的基本介绍、版本信息及相关说明。同时，在导航栏底部设置了"退出系统"按钮，用户点击后即可安全退出当前系统，保障账户使用的规范性与安全性。

3.人脸录入

在人脸录入界面中，系统为用户提供了三种灵活的数据源输入方式，分别为图像、视频以及实时摄像头采集，以满足不同使用场景下的人脸数据录入需求。当用户选择"图像"作为输入来源时，需要从本地设备中选择一张包含清晰人脸的图片作为录入素材。系统在接收到图像后，会自动调用底层人脸识别引擎，对图像进行分析处理，并准确定位人脸区域，将识别到的人脸位置以标注的形式展示在对应的 label 标签中，供用户进行直观确认。

在用户确认识别结果无误后，点击"确定"按钮，系统会自动提取该人脸的特征图像及对应的特征向量数据，并将其填充至界面右侧的表单区域。随后，用户只需补充填写相关的基础信息，如姓名和身份证号等。当所有信息填写完成后，点击"保存信息"按钮，系统便会将人脸特征数据与用户信息统一存储至数据库中，整个流程高效且规范。

值得一提的是，为保证人脸数据的唯一性和数据质量，系统在录入过程中引入了严格的重复判断机制。系统会将待录入的人脸特征与数据库中已有的人脸数据进行相似度比对，当相似度超过 70% 时，系统会提示用户"数据库中存在相似的人脸数据"，并自动阻止本次数据录入。该相似度阈值支持开发者在代码层面进行灵活调整。此外，系统还对身份证号进行了强校验，要求身份证号只能为数字，且在数据库中必须保持唯一性，一旦检测到重复身份证号，系统将拒绝保存操作，从而有效保障数据的准确性与安全性。

4.人脸识别

本页面主要用于人脸识别功能的展示与交互，整体页面组件布局与人脸录入模块保持一致，便于用户理解和操作。页面同样支持三种数据源的输入方式，用户可根据实际使用场景选择本地摄像头、视频文件或图片等指定数据源。在数据源选择完成后，系统会将采集到的原始画面以及实时的人脸检测结果同步展示在左侧的 Label 区域中，方便用户直观查看当前识别状态和检测效果。

在识别过程中，系统会对视频流中的每一帧画面进行人脸检测与特征提取，并将提取到的人脸特征与数据库中已存储的人脸信息进行比对与匹配。通过高效的人脸特征向量计算与相似度评估算法，系统能够快速筛选出最匹配的目标人脸，并将对应的结果信息实时展示在页面右侧区域。

右侧信息区域除了展示被识别人员的基本信息外，还包括姓名、身份证号以及关键的人脸特征描述等内容。同时，为了提升识别结果的可读性与直观性，系统使用 QProgressBar 组件对人脸相似度进行可视化展示。通过动态控制进度条内部颜色的占比，并在进度条中央显示对应的百分比文字，用户可以直观地了解当前识别结果的匹配程度。此外，页面中还同步展示了人脸特征之间的欧氏距离数值，为识别结果提供更具技术参考价值的指标说明。

5.数据管理

在系统功能设计中，我们将四个维度的数据管理功能统一规划并集中放置在同一章节中进行介绍，以保证整体结构清晰、逻辑明确，便于用户理解和使用。系统目前支持对用户数据、人脸数据、登录日志以及操作日志这四类核心数据进行统一管理，覆盖了业务运行过程中最关键的信息维度，能够满足日常管理与运维分析的实际需求。

在具体功能层面，针对不同类型的数据页面，系统提供了灵活且实用的数据操作能力。部分数据管理页面支持条件搜索功能，用户可以根据关键字段快速定位目标数据；同时还支持对已有数据进行修改和删除操作，以保证数据的准确性和时效性。在数据导出方面，系统提供了多种导出方式以适配不同使用场景，当前支持 Excel、CSV 以及 TXT 三种常见文件格式，极大地扩展了导出数据的适用范围，方便用户进行后续的数据统计、分析或存档处理。

在界面设计上，我们对数据展示组件进行了专门的优化，采用了美观且实用的 QTableWidget 作为核心表格组件。通过对表格样式的统一设计，并将表格内数据设置为居中对齐，使整体界面更加整洁、清晰，不仅提升了信息的可读性，也在视觉层面上更符合用户的主观审美需求，从而进一步增强了系统的使用体验。

6.系统设置

在系统设置页面中，用户可以对检测结果的绘制样式进行个性化配置，以满足不同使用场景和显示需求。具体而言，用户可自由调整检测结果中矩形框的粗细，默认值为 1，以兼顾清晰度与美观性；同时可设置显示的提示文字内容，默认显示为 "Face Detected"，用于直观标识检测目标。文字颜色支持 RGB 格式配置，默认颜色为 (0, 0, 255)，边框颜色同样支持自定义，默认也为蓝色 (0, 0, 255)。此外，用户还可以调整文字的缩放系数，默认值为 0.5，以及文字粗细，默认值为 1，以适配不同分辨率和显示窗口大小。在交互行为方面，系统支持设置在点击关闭按钮时是弹出确认退出的询问提示，还是直接退出系统，提升操作的灵活性与安全性。与此同时，该页面还提供退出登录与直接退出系统的功能入口，方便用户根据实际需求快速切换账号或结束程序运行。

四．项目运行环境

本项目名称为dlib-face-manager-system

1.项目依赖

博主是在Windows电脑上使用Python3.8开发的本系统，建议大家使用的Python版本别太高。

其中项目依赖为：

bash 复制代码

PyQt5==5.15.11
QtAwesome==1.3.1
PyQtWebEngine==5.15.5
opencv-python==4.10.0.82
numpy==1.24.4

我已经整理到了requirements.txt，大家直接使用命令
pip install -r requirements.txt

即可一键安装项目依赖，其中的torch和torchvision只要匹配即可，不一定非要和博主开发环境的版本一致。

2.项目结构

很多小伙伴担心拿到代码后项目看不懂，这个大家不必担心，我们采用文件+类名对相关功能进行了模块化定义，大家见名知意。

下图博主采用tree命令生成了文件、目录树

bash 复制代码

tree "D:\projects\gitee\2025\dlib-face-manager-system" /f /a

bash 复制代码

D:\PROJECTS\GITEE\2025\DLIB-FACE-MANAGER-SYSTEM
|   main.py（主界面入口）
|   record.txt（项目记录）
|   requirements.txt（项目依赖）
|
+---data
|   +---database（数据库）
|   |       data.db
|   |
|   \---models（模型库）
|           dlib_face_recognition_resnet_model_v1.dat
|           shape_predictor_68_face_landmarks.dat
|
+---script（脚本文件目录）
|       create_qrc.py（资源创建脚本）
|
\---src
    +---conf（核心偶追目录）
    |       style_conf.py（样式设置）
    |       system_conf.py（系统设置）
    |       test_data.py（测试数据）
    |       __init__.py
    |
    +---data
    |   \---weights
    +---engine（核心引擎）
    |       audio_thread.py
    |       db_engine.py
    |       main_engine.py
    |       __init__.py
    |
    +---resource（资源目录）
    |   |   resource.qrc
    |   |   resource_rc.py
    |   |   __init__.py
    |   |
    |   +---audio
    |   |       scan.wav
    |   |
    |   \---imgs
    |           add_user.png
    |           ai.svg
    |           config.png
    |           database.png
    |           data_manage.png
    |           exit.png
    |           home.png
    |           info.png
    |           login.jpg
    |           log_count.png
    |           register.png
    |           scan.gif
    |           scan.png
    |           statistics.png
    |
    +---utils（工具目录）
    |       custom_utils.py
    |       __init__.py
    |
    \---widgets（组件目录）
            login_dialog.py
            login_dialog.ui
            login_page.py
            main_page.py
            main_ui.py
            main_ui.ui
            __init__.py

五．总结

本系统围绕桌面级人脸识别与数据管理应用场景，基于 PyQt5 框架构建了一套功能完整、结构清晰、交互友好的综合管理平台。系统整体采用模块化与分层化设计思想，以主窗口为核心，通过多页面堆叠机制实现各业务功能的统一调度与灵活切换，既保证了界面逻辑的清晰性，又提升了后期扩展与维护的便利性。在功能层面，系统完整覆盖了人脸采集、人脸录入、人脸识别、数据管理与日志审计等关键业务环节，形成了从数据产生、处理到管理追溯的闭环流程。

在人脸识别实现上，系统支持图片、视频及实时摄像头等多源输入方式，并通过多线程机制将人脸检测与特征提取等耗时操作与界面线程解耦，有效避免界面卡顿，显著提升了系统的实时性与稳定性。通过对人脸关键点检测与特征向量提取结果进行欧氏距离计算，系统能够快速完成相似度评估与最优匹配，并以进度条和数值指标的形式直观展示识别结果，增强了识别过程的可解释性。

在数据层面，系统基于 SQLite 数据库对用户信息、人脸特征数据以及登录与操作日志进行统一管理，支持查询、编辑、删除及多格式导出操作，保障了数据的安全性、可追溯性与可维护性。同时，通过登录鉴权、重复人脸校验、身份证唯一性校验及操作日志记录等机制，进一步提升了系统的安全防护能力。系统还引入参数化配置与界面个性化设置，使用户能够根据实际需求灵活调整显示与交互行为。

总体而言，本系统在保证人脸识别准确性的同时，兼顾了数据管理与系统安全，成功实现了识别功能与管理功能并重的桌面级智能人脸识别平台，具有良好的实用价值与扩展潜力。