简介：面向高校毕业设计的人脸识别打卡系统完整项目，采用Qt构建图形界面，OpenCV处理人脸检测与识别，MySQLSQLite完成数据存储与考勤记录。适合计算机、软件工程等专业学生参考，覆盖用户管理、人脸注册、实时打卡、记录查询与统计等模块。资源共123个文件，约4MB，以28个C++源文件、13个头文件、7个UI界面、7个XML模型文件为主要构成，另有图片素材与文档，便于理解代码结构和直接运行。项目中包含界面设计文件与模型训练配置，可帮助开发者打通从图像采集、特征提取到结果存储的完整链路。已有305人学习，代码目录清晰，可作为毕业设计底稿或课程综合实践参考，对Qt与OpenCV整合、数据库联动等关键环节有直接借鉴价值。
1. 人脸识别打卡系统，毕设里最值得投入的完整方案
人脸识别打卡系统这个题目，每年都能在毕设选题表里看到。它把Qt界面开发、OpenCV图像处理和MySQL/SQLite数据库三块硬技术串成一条完整链路，难度适中，又比单纯的CRUD管理系统更能体现工程能力。这套方案的第一步是用OpenCV做人脸检测和身份识别，从摄像头画面里找到人脸并判断是不是已注册的员工；第二步由Qt承载视频画面、打卡结果和考勤表格的展示；第三步把每一次打卡记录写入数据库，支撑“谁在什么时间打了卡”的查询。适合已经把Python或C++基础学完、想在毕设里同时拿出手界面和算法的学生。整个项目跑通以后，换成人脸识别门禁机场景也只需要改硬件和部分交互逻辑，扩展路径清晰。
2. 人脸识别链路：从摄像头画面到身份判定
2.1 检测用Haar还是DNN，识别选哪种算法
拿到的第一块技术内容是人脸识别原理。先得明确，人脸识别打卡系统里有两个任务：检测是把脸从背景中框出来，识别是判断框出来的是哪个员工。很多第一次做的人把这两步混在一起，然后到处找深度学习模型，其实OpenCV自带的两套检测方案已经够用。
Haar级联检测是OpenCV内置的检测器，一个haarcascade_frontalface_default.xml文件就能运行，不需要额外下载模型。它在正脸、光线均匀的场景下表现稳定，速度很快，适合打卡这种需要低延迟的场景。缺点是侧脸、低头和戴口罩时漏检率高，所以我们后续会引导员工正对摄像头。DNN检测（例如OpenCV的res10_300x300_ssd模型）对人脸姿态和遮挡的鲁棒性更好，但需要单独下载模型文件，还会引入模型路径、输入尺寸、置信度阈值等一系列新问题，对毕设来说排错成本偏高。
识别算法这一层，OpenCV提供EigenFace、FisherFace和LBPH三种。EigenFace对光照很敏感，同一员工在不同灯光下容易被误判；FisherFace需要每个员工至少有两张以上样本才能训练，员工多了管理麻烦；LBPH对光照有一定鲁棒性，训练和预测接口最简洁，是毕业设计人脸识别算法里最常见的做法。下面所有代码默认使用Haar加LBPH的组合。
2.2 注册员工样本并用LBPH训练模型
算法链路的第一步是注册。给员工拍若干张人脸图，裁剪后统一尺寸，然后训练LBPH模型，让模型记住“哪个工号对应哪张脸”。
import cv2 import os import numpy as np face_cascade = cv2.CascadeClassifier( cv2.data.haarcascades + "haarcascade_frontalface_default.xml" )先解释cv2.data.haarcascades。它指向OpenCV安装包内自带级联文件的目录，不同版本的OpenCV路径不同，从这里读取可以避免硬编码绝对路径。CascadeClassifier加载失败时，常见原因是opencv-python版本太新，把haar文件从安装包里移除了，可以换用pip安装的opencv-contrib-python稳定版。
def register_face(staff_id, save_dir="faces", sample_count=30): os.makedirs(save_dir, exist_ok=True) cap = cv2.VideoCapture(0) count = 0 while count < sample_count: ret, frame = cap.read() if not ret: continue gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale( gray, scaleFactor=1.1, minNeighbors=5, minSize=(100, 100) ) for (x, y, w, h) in faces: face = gray[y:y+h, x:x+w] face = cv2.resize(face, (200, 200)) filename = f"{save_dir}/{staff_id}_{count}.jpg" cv2.imwrite(filename, face) count += 1 cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow("register", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()这部分有几个参数不能照抄完事。scaleFactor=1.1表示每轮扫描窗口缩小到上一轮的0.9倍，数值越接近1，检测越精细，耗时越长；minNeighbors=5要求一个候选框周围至少5个邻近检测才能确认为人脸，调大可以降低误检，但也会漏掉稍微小一点的真脸；minSize=(100, 100)过滤掉小于100像素的区域，适合桌面摄像头离人脸有一定距离的场景。存样本时统一缩放成200x200，是因为LBPH训练要求所有图片尺寸一致，不一致在train时会直接报错。
def train_model(save_dir="faces", model_path="face_model.yml"): images, labels = [], [] for file in os.listdir(save_dir): if not file.endswith(".jpg"): continue try: staff_id = int(file.split("_")[0]) except ValueError: continue gray = cv2.imread(os.path.join(save_dir, file), cv2.IMREAD_GRAYSCALE) images.append(gray) labels.append(staff_id) recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.train(images, np.array(labels)) recognizer.write(model_path)这里值得注意：样本文件命名用“工号_序号.jpg”，解析时只需要split("_")[0]就能拿到工号，不需要维护额外映射表。images和labels两个列表必须等长，长度不齐一般是因为有文件没读到灰度图，排查时先确认图片是否损坏、路径是否正确。训练后的yml文件就是后续实时识别读取的模型，体积很小，几十个员工也就几KB，可以直接放进项目目录。
2.3 实时识别：置信度、阈值标定与光照补偿
训练好模型后，实时识别这一步是把每一帧摄像头图像转灰度，送进LBPH的predict，拿返回值里的label和confidence。
recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read("face_model.yml") ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.1, 5) for (x, y, w, h) in faces: face = cv2.resize(gray[y:y+h, x:x+w], (200, 200)) label, confidence = recognizer.predict(face) if confidence < 60: name = f"staff_{label}" else: name = "unknown"predict返回的confidence是一个距离值，不是百分比概率。数值越小代表与训练样本越接近，阈值60是一个经验起点。但阈值是跟着你的摄像头位置和样本质量走的，不是固定值。我见过很多人把阈值写成80，结果识别器把隔壁工位的人也当成目标员工，这种翻车就是没做阈值标定。标定方法很简单：注册完成后，让本人正对摄像头录30秒，统计返回的confidence范围；再让五个未注册的人各录10秒，统计unknown时的最小值。取这两个分布的中间值做阈值，比拍脑袋可靠。
光照是影响confidence的大变量。LBPH提取的是局部纹理信息，强光过曝会让整张脸纹理丢失，预测距离变大。如果发现识别率浮动，可以在送入predict之前加一次直方图均衡化：gray = cv2.equalizeHist(gray)，相当于把图像对比度拉平，在不改模型的情况下能稳定不少。除此之外，注册样本尽量在早中晚不同光线条件下各存一批，让模型见过更多光照变化，这是从源头解决问题。
最后提一个真实的边界：这个方案没有人脸活体检测，拿一张照片也能骗过系统。答辩老师通常会问“如果是照片怎么办”，你可以回答“毕设侧重链路完整，工业级可加红外深度摄像头或动作活体检测”，然后指出当前实现里打卡界面会要求员工正对摄像头并连续三帧确认，降低静态照片通过的概率。这个问题答得好，反而是加分项。
3. Qt界面拆解：从Designer布局到视频流与信号槽
3.1 用Qt Designer把打卡界面搭出来，控件命名定了后面才顺
界面是这个项目的门面。用Qt Designer拖控件，比手写布局高效，生成的文件保存为.ui，既可以用pyuic5转成Python类，也可以在运行时用QUiLoader加载。两种做法我都用过，毕设阶段建议转换，因为生成的.py文件能直接和你自己的逻辑代码放一起，断点调试更顺手。项目入口用Qt Creator打开整个工程，方便在Designer和代码之间来回跳转。
推荐三段式布局：左边约占屏幕60%的区域放视频流控件videoLabel；右边上部是员工信息区，包含姓名标签labelName、工号标签labelId、打卡结果标签labelStatus，以及打卡按钮btnClock；右下放考勤表tableAttendance。这个布局贴近真实门禁机界面，答辩演示时评委能一眼看出功能分区。
控件命名千万别沿用Designer默认的pushButton_2、label_3。项目小的时候看不出问题，等信号槽写多了，名字不带语义，改一个交互就要在代码里找半天。我习惯的命名法：控件类型做前缀，业务含义做后缀，比如btnClock表示“打卡按钮”，labelStatus表示“状态标签”，tableAttendance表示“考勤表”。在代码里搜btn就能关联到所有按钮。
3.2 用QTimer把摄像头视频流稳定推送到QLabel
视频流显示是最容易写错的一块。核心思路是QTimer定时触发读帧，帧数据从BGR转到RGB，再包成QImage塞给QLabel。
from PyQt5.QtCore import QTimer from PyQt5.QtGui import QImage, QPixmap class AttendanceWindow(QWidget): def __init__(self): super().__init__() self.cap = cv2.VideoCapture(0) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) self.timer = QTimer() self.timer.timeout.connect(self.update_frame) self.timer.start(30) def update_frame(self): ret, frame = self.cap.read() if not ret: return rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape bytes_per_line = ch * w qimg = QImage(rgb.data, w, h, bytes_per_line, QImage.Format_RGB888) self.videoLabel.setPixmap(QPixmap.fromImage(qimg))注意几个细节。cv2.cvtColor里填的是COLOR_BGR2RGB，不转会看到偏蓝偏绿的脸，这是OpenCV与QImage颜色通道顺序不一致导致的。bytes_per_line必须单独算，QImage按“每一行多少个字节”来解释数据，漏传或者算错会出斜纹或者锯齿。还有一点：setPixmap会拷贝一份像素数据，所以这里不需要担心rgb被后续帧覆盖，但帧率过高会占用大量内存，30毫秒一帧对绝大多数电脑是安全的。
如果界面黑屏，先确认VideoCapture(0)是不是被其他程序占用；确认摄像头能read到ret=True；最后检查QLabel是否有足够尺寸并设置了setScaledContents(True)。这三点排查完，视频流问题基本就定位了。
界面卡顿问题通常出在把检测逻辑直接写在update_frame里。人脸检测一帧耗时可能50毫秒以上，放在主线程里界面会明显掉帧。毕设阶段的折中方案是降低识别频率：计时器只负责刷新画面，识别通过独立信号触发，或者用一个布尔标志，上一帧正在识别时就跳过本帧。这样界面不卡，识别也清零了。
3.3 识别到人脸后如何触发打卡并刷新表格
识别逻辑不应该每次检测到脸就打卡。设计上要先判断人脸状态是否稳定，我用“连续三帧识别到同一个工号”的防抖策略，一帧误识别不会造成误打卡。
def on_face_detected(self, staff_id): self._current_staff = staff_id self._face_frames += 1 if self._face_frames < 3: return if self._last_clock_staff == staff_id: return from datetime import datetime now = datetime.now().strftime("%Y-%m-%d %H:%M:%S") insert_record(staff_id, now) self._last_clock_staff = staff_id self.labelStatus.setText(f"打卡成功 {now}") self.refresh_attendance_table()这段逻辑结合了状态机和去重。连续计数防止瞬时误检，_last_clock_staff防止同一员工在短时间内重复打卡。时间窗口去重也可以参考60秒内同一员工只允许一次打卡，后面避坑章节会专门展开。表格刷新用QTableWidget时，先清空旧行再插入新行，不然多次打卡会残留失效数据。
CSV导出放在这个界面旁边，用一个btnExport绑定：
def export_csv(self): from PyQt5.QtWidgets import QFileDialog path, _ = QFileDialog.getSaveFileName( self, "导出考勤", "attendance.csv", "CSV Files (*.csv)" ) if not path: return with open(path, "w", newline="", encoding="gbk", errors="ignore") as f: f.write("工号,姓名,打卡时间\n") for row in self.attendance_data: f.write(f"{row[0]},{row[1]},{row[2]}\n")这里用到encoding="gbk"，是因为Windows的Excel打开CSV时默认按系统编码GBK解析，直接写utf-8会在Excel里显示乱码。如果你只在Linux环境演示，可以改成utf-8。这个细节在答辩时拿出来说，比“我做了导出功能”更有说服力。
3.4 识别线程与主线程的分工：信号槽的正确用法
如果把检测也放进主线程，界面帧率会被拖到个位数。常见做法是单独跑一个识别线程，通过pyqtSignal把结果传回主线程，主线程只负责刷新界面。
from PyQt5.QtCore import QThread, pyqtSignal class FaceRecognitionThread(QThread): detected = pyqtSignal(int, float) def run(self): cap = cv2.VideoCapture(0) while not self.isInterruptionRequested(): ret, frame = cap.read() if not ret: continue gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = self.cascade.detectMultiScale(gray, 1.1, 5) for (x, y, w, h) in faces: face = cv2.resize(gray[y:y+h, x:x+w], (200, 200)) label, confidence = self.recognizer.predict(face) self.detected.emit(label, confidence) breakrun里用isInterruptionRequested()配合QThread.requestInterruption()来停止循环，不要用terminate()。terminate会直接杀死线程，可能导致摄像头句柄不释放，下一次启动打不开设备。识别线程和主线程的通信只通过信号，不要在子线程里直接改QLabel，那会违反Qt的线程模型，轻则界面不刷新，重则崩溃。主窗口的closeEvent里记得释放摄像头并等待线程结束，这是很多人忽略的善后步骤。
4. 数据库与表结构：SQLite和MySQL双库都能跑的落地方式
4.1 SQLite和MySQL怎么选，为什么代码要兼容两种
标题里的mysqlsqlite不是笔误，是题目对数据持久化方案的默认要求：要么MySQL，要么SQLite，最好是两种都支持。对于毕设，我强烈建议先用SQLite把功能做完整，它的特点是不用安装数据库服务，数据库就是一个文件，拷贝就能带走，学生机不会出现连不上库的尴尬。MySQL作为关系型数据库管理系统的代表，在论文里可以写“系统基于MySQL存储考勤数据，支持跨机器共享”，但部署依赖服务端和密码配置，演示现场容易翻车。
好的做法是代码层抽象一个数据源开关，界面下拉框选“SQLite”或“MySQL”，业务代码只操作统一的QSqlDatabase对象。这样同一套建表逻辑能跑两种库，答辩时现场切换演示，效果远好于重新编译一个MySQL版。
4.2 员工表与打卡记录表：建表SQL和关键字段
表结构设计保持两张表。员工表employee存工号、姓名、人脸模型ID、照片路径；打卡记录表attendance_record存员工工号、打卡时间、置信度、照片快照。用外键把记录关联到员工，后期按员工查统计很快。
CREATE TABLE employee ( staff_id INTEGER PRIMARY KEY, name TEXT NOT NULL, face_model_id TEXT, photo_path TEXT, created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE attendance_record ( record_id INTEGER PRIMARY KEY AUTOINCREMENT, staff_id INTEGER NOT NULL, clock_time DATETIME DEFAULT CURRENT_TIMESTAMP, confidence REAL, snapshot_path TEXT, FOREIGN KEY (staff_id) REFERENCES employee(staff_id) ); CREATE INDEX idx_attendance_staff_time ON attendance_record(staff_id, clock_time);staff_id为什么直接用工号做主键？因为工号是业务层面的唯一标识，不用自增id，可以在查询时少一次连表。confidence存模型返回的距离，小于阈值才算有效打卡，这个字段是后期排查误打卡的凭证。snapshot_path存打卡时人脸截图，光有记录没有图片，答辩时被问“如何证明是本人打卡”就会卡住。索引idx_attendance_staff_time是给“查某员工某天打卡记录”加速的，数据量不大时可以不要，但写上能体现你考虑过查询性能。
SQLite和MySQL的建表语法有一处明显差异：SQLite用INTEGER PRIMARY KEY AUTOINCREMENT，MySQL用INT NOT NULL AUTO_INCREMENT，字段类型也略有区别。为了兼容，可以把主键统一写成INTEGER PRIMARY KEY，SQLite自动递增，MySQL也接受整数主键自增。
4.3 PyQt5里用QSqlDatabase同时接入两种数据库
PyQt5通过QtSql模块操作数据库，代码套路固定。先addDatabase指定驱动，再设置连接参数，然后open。
from PyQt5.QtSql import QSqlDatabase def get_connection(db_type): if db_type == "QSQLITE": db = QSqlDatabase.addDatabase("QSQLITE") db.setDatabaseName("attendance.db") elif db_type == "QMYSQL": db = QSqlDatabase.addDatabase("QMYSQL") db.setHostName("127.0.0.1") db.setPort(3306) db.setDatabaseName("attendance_db") db.setUserName("root") db.setPassword("your_password") else: raise ValueError(f"unsupported db type: {db_type}") if not db.open(): print("open failed:", db.lastError().text()) return None return db这段代码的重点在addDatabase的字符串参数：QSQLITE和QMYSQL是Qt驱动名称。SQLite驱动随PyQt5一同发布，MySQL驱动需要Qt编译时启用MySQL插件，很多预编译版不带。报错“QMYSQL driver not loaded”时，先检查你的PyQt5安装目录下的sqldrivers文件夹里有没有qsqlmysql.dll，没有就是这个原因。另一个坑：MySQL 8默认的加密插件是caching_sha2_password，Qt旧版驱动不兼容，表现为open时报认证插件错误，解决办法是执行一条SQL把用户改成mysql_native_password。
插入和查询用QSqlQuery，注意用占位符传参。
from PyQt5.QtSql import QSqlQuery query = QSqlQuery() query.prepare(""" INSERT INTO attendance_record(staff_id, clock_time, confidence, snapshot_path) VALUES (?, ?, ?, ?) """) query.addBindValue(staff_id) query.addBindValue(datetime.now().strftime("%Y-%m-%d %H:%M:%S")) query.addBindValue(confidence) query.addBindValue(snapshot_path) if not query.exec(): print("insert failed:", query.lastError().text())用prepare加addBindValue的好处是防止SQL注入，日期格式也由代码统一控制，不会因为中文逗号或者特殊字符导致拼写错误。查询打卡记录时注意按clock_time DESC排序取最近记录，时间窗口去重的判断也依赖这个查询。
4.4 考勤统计SQL：按天、按员工聚合一次讲清
最后给一个常用的统计查询，答辩时经常被要求“展示某员工本周出勤情况”，用SQL写出聚合逻辑会很加分。
SELECT e.name, DATE(a.clock_time) AS clock_date, COUNT(*) AS times FROM attendance_record a JOIN employee e ON a.staff_id = e.staff_id WHERE e.staff_id = :staff_id AND a.clock_time >= DATETIME('now', '-7 days') GROUP BY e.name, DATE(a.clock_time) ORDER BY clock_date DESC;这个查询里DATE()把时间戳截成日期，GROUP BY按天聚合，COUNT统计每天打卡次数。SQLite的DATETIME('now', '-7 days')是官方支持的相对时间写法，MySQL下改成DATE_SUB(NOW(), INTERVAL 7 DAY)即可，两种库的日期函数名不同，这是写兼容代码要注意的差异点。如果想从SQLite换到MySQL，可以先在SQLite里导出SQL文件，再手工改掉AUTOINCREMENT和日期函数，直接用MySQL的迁移工具反而容易忽略这两处。
5. 避坑指南：人脸识别打卡系统里的5个高频翻车点
5.1 程序启动即崩：Qt库版本冲突还是平台插件缺失
现象：编译通过，一运行就报错，控制台打印fatal: cannot mix incompatible Qt library (version ex50601) with this library，或者报qt.qpa.plugin: could not find the qt platform plugin "linuxfb" in。
原因：两种报错来自不同问题。cannot mix incompatible Qt library是系统里存在多个Qt版本，程序运行时优先加载到了旧版DLL，版本号ex50601说明那个库来自旧版Qt，和当前项目用的Qt 5.15.2这类新版不匹配。linuxfb平台插件报错常见于嵌入式Linux环境，程序启动时去哪里找platforms插件没配对。
解决：第一种，清理PATH里多余的Qt bin目录，确保当前项目使用的Qt版本路径排在最前；Windows可以用Process Explorer看进程实际加载的Qt5Core.dll来自哪个目录。第二种，设置环境变量QT_QPA_PLATFORM_PLUGIN_PATH指向Qt安装目录的plugins/platforms文件夹，Linux桌面环境可以改用QT_QPA_PLATFORM=xcb规避linuxfb缺失。启动类问题有个共通排查思路，先确认环境变量，再确认依赖DLL，最后确认插件路径，按这个顺序能少踩很多坑。
5.2 OpenCV装了却import不上：先查解释器再查扩展包
现象：pip安装后import cv2直接报ModuleNotFoundError: No module named 'opencv'，或者显示DLL load failed。
原因：ModuleNotFoundError多半是装错了包名或者装到了另一个Python环境，pip install opencv的包名其实是opencv-python。DLL load failed一般是Python位数和OpenCV轮子不匹配，或缺少Visual C++运行库。
解决：先确认当前解释器路径和位数，用python -m pip install opencv-python装到当前解释器，再用python -c "import cv2; print(cv2.version)"验证。Windows下64位Python不能加载32位的OpenCV DLL，反之亦然。另外，很多教程会把opencv-python和opencv-contrib-python都装一遍，导致cv2模块冲突，正确做法是只装opencv-contrib-python，它同时包含基础库和人脸识别扩展包，cv2.face模块就在这里。
5.3 LBPH识别率忽高忽低，不是玄学而是光照不一致
现象：上午测试识别正常，下午同一人在同一位置识别失败，或者换个方向坐就打卡不上。许多初学会把锅甩给脸型或者摄像头，实际是LBPH的局限性。
原因：LBPH是局部二值纹理特征，对光照变化的容忍度只是相对EigenFace来说更高，过曝、阴影、偏色都会让纹理特征严重变形。测试环境样本和训练样本分布不一致，导致置信度波动。
解决：注册样本时分多个时间段采集，让模型见过多种光照；识别前做一次直方图均衡化；最后标定阈值。我的做法是统计正常员工30次预测的confidence均值和标准差，再用未注册人脸测出最小值，阈值设在“让两类分布尽量不重叠”的位置，而不是抄网上的默认值。如果不同光照下同一人confidence差到30以上，优先怀疑采集样本过于单一。
5.4 同一员工一秒记三次打卡：时间窗口去重怎么做才稳
现象：员工站在摄像头前，系统在不到一秒内连续插入多条打卡记录，考勤表出现重复数据。
原因：摄像头是30FPS，识别是每帧执行，同一张脸在连续多帧里被识别成功，每次都被当成一次打卡。
解决：界面层和数据层各做一道防护。界面层用连续帧计数，识别到同一人超过3帧才确认；数据层在插入前查该员工最近60秒内是否有记录，有则不插入。数据层判断一定不能少，因为界面防抖只能防瞬时抖动，防不了员工一直站在摄像头前导致的重复。SQL里按工号和打卡时间范围查最近一条记录，命中就return，弹“今日已打卡”提示。
5.5 QMYSQL driver not loaded：驱动文件去哪了，怎么补
现象：程序在SQLite模式下一切正常，切到MySQL模式就报QSqlDatabase: QMYSQL driver not loaded，open返回False。
原因：PyQt5不打包QMySQL驱动，发布时需要额外带上，或者MySQL客户端库版本与驱动编译时不一致。
解决：先确认site-packages/PyQt5/Qt5/plugins/sqldrivers下是否有qsqlmysql.dll，没有就用安装包或自行编译一个。Windows下编译qsqlmysql驱动时，需要在CMake或命令行里指定MySQL安装路径和libmysql.dll所在目录，然后把libmysql.dll一并放到exe目录。Mac和Linux同理，用ldd或otool确认libqsqlmysql.so链接了哪个libmysqlclient。SQLite驱动不报错是因为SQLite驱动在PyQt5发行版里是内置的，不需要外部DLL。发布前把整个sqldrivers目录原样拷到打包目录，这个习惯能省去很多现场救火的时间。
提示：更换数据库类型后，一定要重启应用再测试。QSqlDatabase连接是进程级资源，同一个连接名不能同时绑定两种驱动，代码里切换时要先close旧连接再重新addDatabase。
6. 答辩前必做的三个验证技巧与项目发布细节
第一个验证技巧是光照对比测试。写一个测试脚本，分别在全亮、灯下、背光三种条件下让同一员工识别，打印每帧的confidence，统计成功率和平均置信度。如果背光组成功率低于80%，就去补采集背光条件样本，或者加直方图均衡化预处理。这个测试记录可以直接截进论文的实验章节，比单张截图更有说服力。
第二个验证技巧是打卡数据的完整性核对。用SQL查“某员工今天打了多少次卡”，再用界面上的考勤表刷新结果，两者一致才能说明界面、数据库、业务逻辑三条路径都正确。我遇到过界面正常写入但导出CSV少行的情况，原因出在导出函数遍历了缓存列表而不是数据库，所以核对完数据库再核对导出文件更稳妥，两个结果都对齐，再收工。
第三个技巧是发布Demo。PyQt5项目打包最稳的路线是用PyInstaller加--hidden-import参数，再手动带上模型文件和OpenCV的DLL。Qt组件还需要windeployqt补齐运行库，尤其在Windows下，不带它会弹一连串“找不到Qt5Core.dll”的报错。发布后的目录结构里，sqldrivers和platforms必须保留，否则换到MySQL模式会报驱动缺失。
我吃过的最大一次亏，是拿着全项目代码上了答辩服务器，结果那台机器的Python是32位，我的PyQt5库是64位，摄像头当场打不开。后来养成了习惯，任何路径变化或环境变化，都先在命令行用目标解释器跑一遍最小用例再继续。项目跑通不难，让它在陌生机器上稳定跑通才是毕设真正的门槛。希望这些经验和技巧能帮你把答辩现场的意外降到最低。
本文还有配套的精品资源，点击获取
