基于 Dlib + PyQt5 的人脸识别考勤系统 v2.0

本文介绍一个基于 Dlib 深度学习模型与 PyQt5 图形界面框架构建的人脸识别考勤系统。系统集成了人脸检测、特征提取、身份识别、人脸录入与数据库管理三大核心功能，支持图片、视频和实时摄像头三种输入方式，并提供直观的可视化操作界面。

一、项目概述

1.1 系统功能

本系统围绕人脸识别的完整流程，设计了三大功能模块：

功能模块	说明
识别	对图片/视频/摄像头画面中的人脸进行实时检测与身份匹配，记录识别结果
录入	通过摄像头或本地图片采集人脸，提取 128 维特征向量并写入特征库
管理	查看已录入人脸信息，支持更新特征库与删除人脸数据

1.2 技术栈

编程语言：Python
GUI 框架：PyQt5
人脸检测：Dlib（HOG + 68 关键点定位）
特征提取：Dlib ResNet（128 维人脸描述子）
图像处理：OpenCV、PIL
数据存储：CSV 文件（features_all.csv）

二、系统架构

2.1 核心类与数据流

系统主类 Face_MainWindow 继承自 UI 类 Ui_MainWindow，通过信号与槽机制将界面操作与底层逻辑连接。核心数据流如下：

输入源（图片/视频/摄像头）
    ↓
Dlib 人脸检测器 → 获取人脸 ROI 区域
    ↓
68 关键点预测器 → 定位面部特征点
    ↓
ResNet 模型 → 计算 128 维特征向量
    ↓
欧氏距离匹配 → 与特征库比对（阈值 0.4）
    ↓
输出识别结果 → 更新界面显示与记录表格

2.2 关键模型文件

模型文件	用途
`shape_predictor_68_face_landmarks.dat`	68 点面部关键点预测
`dlib_face_recognition_resnet_model_v1.dat`	128 维人脸特征提取

三、功能模块详解

3.1 识别模块

识别模块是系统的核心，支持三种输入方式：本地图片、视频文件和实时摄像头。

工作流程

选择输入源：用户通过"选择图片"、"选择视频"或"打开摄像头"按钮指定输入
启动识别：点击"开始识别"按钮，系统加载特征库并开始处理
实时检测：通过 QTimer 定时器以 30ms 间隔逐帧处理画面
特征匹配：计算当前人脸与数据库中所有人脸的欧氏距离，取最小值进行匹配
结果展示：在画面上绘制红色矩形框并标注姓名，右侧显示人脸个数、识别距离和当前人脸缩略图
记录保存：识别结果自动写入下方表格，包含序号、画面标识、人脸姓名、时间和距离

核心代码逻辑

# 计算欧氏距离进行匹配
for i in range(len(self.face_feature_exist)):
    e_distance_tmp = self.euclidean_distance(
        self.current_face_feature[k],
        self.face_feature_exist[i])
    self.current_face_distance.append(e_distance_tmp)

min_dis = min(self.current_face_distance)
if min_dis < 0.4:  # 阈值判断
    self.current_face_name[k] = self.face_name_exist[similar_person_num]

多目标跟踪：当画面中出现多张人脸时，系统采用质心跟踪算法（Centroid Tracker），通过计算前后帧人脸质心距离来维持身份一致性，避免频繁重分类。

界面效果

如图所示，系统成功识别出画面中的人脸为"李钟硕"，红色矩形框标注了人脸位置，识别距离为 0.26（低于 0.4 阈值，匹配成功）。右侧实时显示人脸个数和当前人脸缩略图，下方表格记录每次识别的详细信息。

3.2 录入模块

录入模块用于将新人脸添加到特征数据库中，流程分为三步：新建文件夹 → 取图保存 → 录入特征。

工作流程

输入人脸名称：在文本框中输入待录入人员的姓名
新建文件夹：点击"新建文件夹"按钮，在 data/database_faces/ 下创建以人名命名的文件夹
采集人脸：通过摄像头实时画面或选择本地图片，系统自动检测人脸区域
取图保存：点击"取图保存"按钮，将检测到的人脸裁剪并保存到对应文件夹
录入特征：点击"录入人脸特征"按钮，遍历所有已保存照片，提取 128 维特征并计算均值，写入 features_all.csv

核心代码逻辑

# 特征录入：遍历所有照片，提取特征并求均值
for person in person_list:
    features_list = []
    photos_list = os.listdir(self.path_face_dir + "/" + person)
    for photo in photos_list:
        features_128D = self.extract_features(
            self.path_face_dir + "/" + person + "/" + photo)
        features_list.append(features_128D)
    features_mean = np.array(features_list).mean(axis=0)
    writer.writerow([person] + list(features_mean))

界面效果

如图所示，用户在文本框中输入"朴信惠"后新建了人脸文件夹，通过选择图片检测到人脸区域，点击"取图保存"将人脸裁剪保存，最后点击"录入人脸特征"完成特征写入。右侧面板实时显示新建状态和录入状态。

3.3 管理模块

管理模块提供对已录入人脸数据的查看、更新和删除操作。

功能说明

查看数据库：以表格形式展示所有已录入人脸的序号、存储路径、姓名和修改时间
更新特征库：点击"更新"按钮，重新遍历人脸文件夹，重新提取特征并刷新 features_all.csv
删除人脸：在表格中选中目标行，点击"删除"按钮，删除对应文件夹并重新生成特征库

核心代码逻辑

# 删除人脸数据
def delete_doing(self):
    row, col = self.col_row
    r_path = self.tableWidget_mana.item(row, 1).text()
    if os.path.exists(r_path):
        shutil.rmtree(r_path)  # 删除文件夹
        # 重新生成特征库
        with open("./data/features_all.csv", "w", newline="") as csvfile:
            writer = csv.writer(csvfile)
            for person in person_list:
                # 重新提取特征...

界面效果

如图所示，管理界面顶部显示现有人脸数量（2 人）、修改时间和当前状态。表格中列出了"李钟硕"和"朴信惠"两条人脸记录，包含存储路径和录入时间。用户可通过"更新"按钮刷新特征库，或选中记录后点击"删除"按钮移除人脸数据。

四、关键技术点

4.1 人脸特征提取

系统使用 Dlib 的 ResNet 模型将人脸映射为 128 维特征向量。该模型在大规模人脸数据集上训练，能够将同一人的不同照片映射到特征空间中相近的位置，不同人的照片则相距较远。

def extract_features(self, path_img):
    img_rd = self.cv_imread(path_img)
    faces = self.detector(img_rd, 1)
    if len(faces) != 0:
        shape = self.predictor(img_rd, faces[0])
        face_descriptor = self.face_reco_model.compute_face_descriptor(img_rd, shape)
    else:
        face_descriptor = 0
    return face_descriptor

4.2 欧氏距离匹配

识别时通过计算欧氏距离衡量两张人脸的相似度：

$$d = \sqrt{\sum_{i=1}^{128}(f_{1i} - f_{2i})^2}$$

系统设定阈值为 0.4，距离小于该值则判定为同一人。

4.3 质心跟踪算法

当画面中同时出现多张人脸时，系统采用质心跟踪算法维持身份一致性：

计算当前帧每个人脸区域的质心坐标
与上一帧的质心坐标计算距离
将距离最小的上一帧身份分配给当前人脸
每隔 20 帧重新进行特征匹配，修正可能的跟踪漂移

4.4 中文字体渲染

由于 OpenCV 的 putText 不支持中文，系统通过 PIL 的 ImageDraw 配合自定义字体 platech.ttf 实现中文标注：

def drawRectBox(self, image, rect, addText):
    cv2.rectangle(image, rect, (0, 0, 255), 2)  # 绘制红色矩形框
    img = Image.fromarray(image)
    draw = ImageDraw.Draw(img)
    draw.text((rect[0]+1, rect[1]-16), addText, (255,255,255), font=self.fontC)
    return np.array(img)

五、项目结构

FaceRecUI/
├── runMain.py                    # 程序入口
├── FaceRecognition.py            # 核心逻辑（主窗口类）
├── FaceRecognition_UI.py         # PyQt5 界面代码
├── FaceRecognition_UI.ui         # Qt Designer 界面文件
├── image1.qrc / image1_rc.py     # 资源文件
├── Font/
│   └── platech.ttf               # 中文字体
── data/
│   ├── data_dlib/                # Dlib 模型文件
│   ├── database_faces/           # 人脸照片数据库
│   └── features_all.csv          # 人脸特征库
├── images_test/                  # 界面图标资源
└── test_img/                     # 测试图片

六、运行环境

依赖安装

pip install PyQt5 opencv-python dlib numpy pandas Pillow

启动方式

python runMain.py

注意事项

首次运行需确保 data/data_dlib/ 目录下存在 Dlib 模型文件
摄像头功能需要电脑连接可用摄像头设备
特征库文件 features_all.csv 在首次录入人脸后自动生成
中文字体文件 platech.ttf 需放置在 Font/ 目录下

七、总结

本项目实现了一个功能完整的人脸识别考勤系统，具备以下特点：

多输入源支持：图片、视频、实时摄像头三种模式自由切换
实时性能：基于 QTimer 的定时刷新机制，实现流畅的实时识别
多目标跟踪：质心跟踪算法保证多人场景下的身份稳定性
可视化管理：录入、识别、管理三大模块界面清晰，操作简便
数据持久化：CSV 文件存储特征数据，便于迁移和备份

系统可进一步扩展的方向包括：引入更深度的神经网络模型提升识别精度、添加考勤统计与导出功能、支持云端人脸数据库同步等。

项目源码基于 Python + Dlib + PyQt5 开发，界面截图展示了识别、录入、管理三大功能模块的实际运行效果。

代码下载路径

有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码
项目完整文件下载请见演示与介绍视频的简介处给出：➷➷➷
https://www.bilibili.com/video/BV1AoHk6DErD/

基于 Dlib + PyQt5 的人脸识别考勤系统 v2.0

基于 Dlib + PyQt5 的人脸识别考勤系统 v2.0

一、项目概述

1.1 系统功能

1.2 技术栈

二、系统架构

2.1 核心类与数据流

2.2 关键模型文件

三、功能模块详解

3.1 识别模块

工作流程

核心代码逻辑

界面效果

3.2 录入模块

工作流程

核心代码逻辑

界面效果

3.3 管理模块

功能说明

核心代码逻辑

界面效果

四、关键技术点

4.1 人脸特征提取

4.2 欧氏距离匹配

4.3 质心跟踪算法

4.4 中文字体渲染

五、项目结构

六、运行环境

依赖安装

启动方式

注意事项

七、总结

代码下载路径

导航

公告