基于Facenet与Retinaface双网络架构实现的人脸检测与识别系统-python+Facenet+Retinaface

项目描述 基于Facenet与Retinaface双网络架构实现的人脸检测与识别系统
智能人脸识别Web系统，基于Facenet与Retinaface双网络架构实现在PyTorch中的端到端人脸检测与身份识别。用户通过浏览器上传图片即可完成人脸定位、关键点标注、特征编码比对与身份匹配，同时支持在线动态维护人脸库。

登录网址 本地部署后访问 http://127.0.0.1:5000 或局域网地址 http://192.168.0.196:5000 （无需账号密码，直接进入主界面）

项目功能

图片上传识别：支持点击选择或拖拽上传图片（JPG/PNG/WEBP，≤16MB），一键进行人脸检测与识别，结果以弹框形式呈现，包含原图与检测结果对比图、检测到人脸列表（姓名、置信度、特征距离、框坐标），可下载标注结果图。
示例图片加载：一键随机内置张学友或Obama示例图片，便于快速验证。
FPS性能统计：记录累计识别次数、人脸库人数与平均识别耗时。
人脸库动态管理：点击添加人脸按钮弹出表单，填写姓名并上传人脸照后自动保存至face_dataset目录并重新编码特征库，实时刷新识别模型无需重启；鼠标悬停人脸头像可删除指定人员全量样例并重建特征。
多人脸与未知身份识别：同一张图支持多人同时检测，超出阈值匹配范围的人脸标注为Unknown。
运行环境 Windows 操作系统；Python 3.13；PyTorch 2.x CPU版本；Chrome/Edge等现代浏览器访问Web界面；建议内存4GB以上，首次推理因模型加载耗时较短（CPU单图识别约0.25秒，FPS约4）。

项目技术 后端采用Python Flask框架承载HTTP服务与API路由；人脸检测主干为基于MobileNet0.25的Retinaface网络，完成候选框生成、解码、非极大值抑制及5个人脸关键点定位；人脸识别主干为MobileNet版Facenet网络，将矫正后人脸映射为128维特征向量，通过欧氏距离与已知人脸库比对（阈值0.9）完成身份判定；前端使用原生HTML/CSS/JavaScript实现深色渐变风格UI，响应式布局、动画弹框、拖拽上传、Toast提示与动态渲染；通过numpy存储/加载编码后的人脸特征npy文件与姓名列表，实现模型热刷新。

以上系统源码经过技术整理与调试，确保能正常运行