python3GUI--基于PyQt5+DeepSort+YOLOv8智能人员入侵检测系统（详细图文介绍）

@toc

<font size=6 color='red' padding=5>VX：A1397852386</font >

<font size=6 color='red' padding=4>代码量：超过3000行</font >

<font size=5 color='orange' padding=4>最新代码加入本机摄像头内容识别，欢迎了解！</font >

<font size=5 color='blue' padding=4>本系统使用DeepSort对目标进行追踪，支持ROI区域告警，日志导出、加入了登录系统，欢迎了解！</font >

一．前言

本次使用PyQt5+DeepSort实现了一个智能人员入侵检测系统，系统包括多个区域支持ROI感兴趣区域标注告警，支持展示区域内标签显隐控制，自动统计全部目标以及ROI区域内目标，支持数据导出、入侵人员照片查看，动态阈值调整。

二．技术介绍

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.DeepSort

DeepSort（Deep Simple Online and Realtime Tracking）是一种基于深度学习的多目标跟踪算法，它在原始 SORT（Simple Online and Realtime Tracking）算法的基础上引入了外观特征提取器，通过结合目标的运动信息（卡尔曼滤波）和外观特征（由深度神经网络提取）来进行数据关联，从而在遮挡、目标重叠等复杂场景中实现更稳健的跟踪。DeepSort 通常与目标检测器（如 YOLO）结合使用，广泛应用于视频监控、行为识别等实际场景中。

3.卡尔曼滤波

卡尔曼滤波（Kalman Filter）是一种基于线性系统状态空间模型的递归估计算法，广泛用于对动态系统的状态进行预测和修正。它通过结合系统的预测模型和带噪声的观测数据，在每一步动态更新状态估计，从而实现对目标位置、速度等变量的高精度跟踪。卡尔曼滤波具有计算效率高、实时性强的优点，广泛应用于导航、目标跟踪、控制系统和金融预测等领域。

在这里插入图片描述

4.YOLOv8

YOLOv8（You Only Look Once version 8）是由 Ultralytics 推出的最新一代实时目标检测模型，属于 YOLO 系列的改进版本。相比前代模型，YOLOv8 在精度、速度和灵活性上都有显著提升，支持目标检测、图像分割、姿态估计等多任务处理。它采用了更加高效的网络结构和训练策略，并提供开箱即用的 Python 接口和命令行工具，适用于边缘设备和云端部署，广泛应用于安防监控、自动驾驶、工业检测等场景。

在这里插入图片描述

5.SQLite3

SQLite3 是一个轻量级、嵌入式的关系型数据库管理系统，遵循ACID事务规范，使用文件作为数据库存储形式，具有零配置、无需服务器的特点。它被广泛应用于移动设备、桌面软件、嵌入式系统和小型网站等场景中，特别适合对资源占用要求较低、部署简便的本地数据存储需求。在 Python 中，sqlite3 模块作为标准库提供，允许开发者方便地在应用中进行数据库操作，如创建表、插入数据、执行查询等。

在这里插入图片描述

6.多线程

PyQt5 的多线程通常通过 QThread 类实现，它允许在 GUI 程序中运行耗时的操作而不阻塞主线程（即界面线程），从而保持界面响应。使用 PyQt5 的多线程方法通常有两种方式：继承 QThread 或使用 QRunnable 搭配 QThreadPool。推荐方式是将耗时任务写在一个独立的工作对象中，并通过 moveToThread() 将其移到子线程中运行，同时使用信号（pyqtSignal）与主线程通信。这种方式更加安全、结构清晰，适合复杂项目的线程管理。

在这里插入图片描述

7.入侵人员检测

入侵人员检测是指通过监控系统（如视频监控、红外传感器、雷达等）对特定区域进行实时监测，自动识别和判断是否有未经授权的人员进入。该技术广泛应用于安防领域，利用图像识别、行为分析等算法，在检测到异常入侵行为时，及时发出警报或联动安保措施，提高区域安全性和响应效率。

在这里插入图片描述

8.ROI区域

ROI（Region of Interest，感兴趣区域）是指在图像或视频中指定的特定区域，用于重点处理或分析。在图像处理和计算机视觉中，ROI 可以帮助算法聚焦于关键部分，提高处理效率和准确性。例如，在人脸识别中，ROI 可能仅为图像中的人脸区域，从而避免对背景进行无用计算。通过设定 ROI，可以节省计算资源，提升系统性能。

在这里插入图片描述

9.射线法

射线法是一种用于计算几何的经典算法，主要用于判断点与多边形的位置关系（如点在内部、外部或边界上）。其核心思想是：从该点引一条水平向右的无限长射线，统计射线与多边形边界的有效相交次数。若交点数为奇数，则点在多边形内部；若为偶数（包括零），则在外部。算法需处理边界重合、顶点相交等特殊情况，时间复杂度为O(n)，适用于任意简单或复杂多边形。

在这里插入图片描述

三．核心功能

1.登录注册

1.登录

软件启动后首先进入登录页面，用户需要输入正确的用户名和密码才能使用本系统的正式功能，登录页面整体采用了垂直布局，局部采用了水平布局，登录界面简约不简单，登录功能后端采用SQLite3本地文件型数据库存储用户信息，每次登录都是通过查库进行验证的，实现了流程标准化。

在这里插入图片描述

2.注册

没有账号的用户需要进行注册，注册操作流程十分简单，用户点击登录界面的注册按钮就跳转到了注册窗口，用户需要输入自定义的用户名和两次匹配的密码才能完成登录，值得一提的是，成功注册的用户软件会自动填写用户名和密码到登录界面，实现了登录流程路径的简化。

在这里插入图片描述

2.主界面

1.主界面简介

成功登陆的用户直接跳转至主界面，主界面右上角会展示当前用户的用户名，单击自己的用户名会弹出二级菜单，菜单包括两个项目：退出登录、退出系统。我们软件的主界面左上角是当前日期时间以及星期、紧挨着的是当前系统的CPU、内存占用情况，这些信息都是1秒刷新一次的。

在这里插入图片描述

2.数据输入

在这面板用户可以设置要检测的目标，我们系统是支持多源输入的，输入的数据类型可以是：图片、视频、视频流地址，另外数据输入下方是模型选择，用户可以选择适合当前系统的模型，我们系统内置了YOLOv8n.pt模型，模型位于data/models/目录下，大家可以将自己的模型放置到这个位置，系统会自动识别可以使用的模型，展示到界面上以供用户选择。

在这里插入图片描述

3.参数配置

在这个区域用户可以实时调整当前YOLO识别引擎的重叠度（IOU）以及置信度（Conf），通过动态调整这两个值用户能找到适合目标检测的值，我们内置了两个组件分别是spinBox以及slider，用户可以点击spinBox微调或者拖动slider调整对应的数值，两个组件的数值是关联的。

请添加图片描述

4.告警配置

在这个区域用户可以控制是否进行告警，系统的告警逻辑是：（前置条件：用户要设置ROI区域）-开启告警-ROI区域有人员侵入-发出语音告警消息提示，值得一提的是本系统支持动态调整告警内容，具体的操作流程是：在告警开启情况下，点击蓝色齿轮按钮，在弹出的对话框中输入告警内容，当满足告警条件时，就会使用用户指定的告警内容。

在这里插入图片描述

告警的流程图见下图：

在这里插入图片描述

5.操作控制台

这个区域是本系统的核心，用户可以在操作台直接与系统进行交互，交互的逻辑就是直接点击按钮进行操作，我们采用了不同颜色和不同类型的按钮实现了目标的功能，比如“导出数据”这个按钮，用户点击后可以选择导出到CSV、Excel、TXT类型的文件里，系统人性化的选择了桌面作为默认路径并且自动命名了目标文件，当用户成功导出后，系统还会询问用户是否打开，用户选择“是”系统就会调用默认的打开方式打开导出的数据文件。

值得一提的是，我们的操作控制台下方设置了多达8个开关按钮用于用户直接和系统交互，开关默认都是打开的，即默认显示所有画面标注内容。

请添加图片描述

6.核心内容显示区域

这里我们以检测目标视频为例，给大家演示一下具体核心显示区域的作用，我们在左侧“数据输入”选择打开视频，选择好之后系统会自动进行检测，我们在画面上画下ROI区域，然后停止检测，所有的检测结果以及计数统计信息就都展示到界面上了，在ROI区域的目标被判定为入侵人员，系统自动采用红色框来标注，否则就是一般人员，系统采用蓝框标注，每个目标都会被分配ID、系统自动标注目标类别、置信度。

在这里插入图片描述

7.检测结果表格

在这个表格中用户可以查看当前画面的所有检测结果数据，检测结果包括：目标ID、置信度、类别、是否为入侵人员以及目标的图像数据，整个表格是支持下拉的，我们采用了自定义的滚动条样式，用户可以拖动目标图像到系统导出数据。

请添加图片描述

8.入侵人员信息表格

在这个表格区域展示了所有入侵人员的图像以及ID，用户可以比对目标图像以及实时画面检测结果，鼠标放上去会有个发光的效果，表示用户正在和目标进行交互。

请添加图片描述

另外用户可以点击图像在本地图像查看器中查看目标图像，当然目标图像是临时生成的，所以在tmp目录下，只有点击了图像才会生成图像文件，这样做的目的是避免磁盘重复读写，只操作用户感兴趣的数据。

9.日志输出区域

在这个区域实时展示当前的操作以及告警信息，系统采用不同的日志级别实时展示日志，具体来说是：一般信息采用蓝色、警告信息采用橘黄色、错误信息采用红色，每次产生告警信息时，都会展示具体的入侵人员数量，每次产生新的日志内容时，都会自动展示当前时间精确到秒。

请添加图片描述

10.系统功能总览

我们用一张图展示当前系统的主要核心功能

本系统是根据“人员中心点是否在ROI区域判断人员是否入侵”

请添加图片描述

四．项目运行环境

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：

PyQt5==5.15.11
PyQt5_sip==12.15.0
QtAwesome==1.3.1
torch==2.4.1
torchvision==0.19.1
Pillow==9.3.0
pyqtgraph===0.13.3
PyQtWebEngine==5.15.5
opencv-python==4.10.0.82
ultralytics==8.3.98
pyttsx3==2.71

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

tree "D:\projects\gitee\2025\pyqt5-intrusion-detection" /f /a

D:\PROJECTS\GITEE\2025\PYQT5-INTRUSION-DETECTION
|   .gitignore
|   main.py（主程序入口）
|   record.txt（项目开发记录）
|   requirements.txt（项目依赖）
|
|
+---data（主要数据目录）
|   +---database
|   |       data.db（系统数据库）
|   |
|   +---models（目标检测模型）
|   |       yolov8n.pt
|   |       yolov8s.pt
|   |
|   \---output
+---script（脚本）
|       create_qrc.py（资源生成脚本）
|
+---src
|   |   __init__.py
|   |
|   +---conf
|   |   |   style_conf.py（主要样式设置）
|   |   |   system_conf.py（系统相关配置）
|   |   |   __init__.py
|   |   |
|   |
|   +---deep_sort（deepSort依赖）
|   |   +---configs
|   |   |       deep_sort.yaml
|   |   |
|   |   +---deep_sort
|   |   |   |   deep_sort.py
|   |   |   |   README.md
|   |   |   |   __init__.py
|   |   |   |
|   |   |   +---deep
|   |   |   |   |   evaluate.py
|   |   |   |   |   feature_extractor.py
|   |   |   |   |   model.py
|   |   |   |   |   original_model.py
|   |   |   |   |   prepare_car.py
|   |   |   |   |   prepare_person.py
|   |   |   |   |   test.py
|   |   |   |   |   train.jpg
|   |   |   |   |   train.py
|   |   |   |   |   __init__.py
|   |   |   |   |
|   |   |   |   +---checkpoint
|   |   |   |   |       ckpt.t7
|   |   |   |   |
|   |   |   |
|   |   |   +---sort
|   |   |   |   |   detection.py
|   |   |   |   |   iou_matching.py
|   |   |   |   |   kalman_filter.py
|   |   |   |   |   linear_assignment.py
|   |   |   |   |   nn_matching.py
|   |   |   |   |   preprocessing.py
|   |   |   |   |   track.py
|   |   |   |   |   tracker.py
|   |   |   |   |   __init__.py
|   |   |   |   |
|   |   |
|   |   \---utils
|   |           asserts.py
|   |           draw.py
|   |           evaluation.py
|   |           io.py
|   |           json_logger.py
|   |           log.py
|   |           parser.py
|   |           tools.py
|   |           __init__.py
|   |
|   +---engine（核心引擎）
|   |   |   db_engine.py（数据库引擎）
|   |   |   detect_engine.py（检测引擎）
|   |   |   tts_engine.py（文字转语音引擎）
|   |   |   __init__.py
|   |   |
|   |
|   +---resource（资源目录）
|   |   |   resource.qrc（资源索引文件）
|   |   |   resource_rc.py（资源数据文件）
|   |   |   __init__.py
|   |   |
|   |   +---imgs
|   |   |       bg.jpg
|   |   |       bg2.png
|   |   |       ic_monitor.png
|   |   |       ic_monitor_black.png
|   |   |       top.png
|   |   |
|   |
|   +---threads（核心线程）
|   |   |   detect_thread.py（检测线程）
|   |   |   signal_bus.py（信号总线）
|   |   |   __init__.py
|   |   |
|   |
|   +---utils（核心工具）
|   |   |   custom_utils.py（工具函数）
|   |   |   roi_manager.py（感兴趣区域管理）
|   |   |   user_manager.py（用户管理）
|   |   |   __init__.py
|   |   |
|   |   
|   +---widgets（核心界面、组件-PyQt5）
|   |   |   base_widgets.py（基础组件类）
|   |   |   custom_areas.py（自定义区域类）
|   |   |   custom_panels.py（自定义面板类）
|   |   |   custom_widgets.py（自定义组件类）
|   |   |   main_page.py（主界面类）
|   |   |   unique_widgets.py（特殊组件类）
|   |   |   __init__.py
|   |   |
|   |
|
\---videos（测试视频）
        行人检测测试视频.mp4

如果觉得上面树太抽象，可以对照着文件目录树看下图

在这里插入图片描述

五．总结

本次由浅入深地和大家分享了我使用PyQt5+DeepSort+YOLOv8开发的智能人员入侵检测系统，系统相当智能并且包括多个功能区域，支持登录注册功能，欢迎大家前来了解！