【MYC-LR3576开发板】基于人脸识别的门禁系统

lijinlei

【MYC-LR3576开发板】基于人脸识别的门禁系统

本文介绍了米尔 MYC-LR3576 开发板结合 OpenCV 人脸识别和 PWM 舵机控制实现智能门禁系统的项目设计，包括硬件连接、舵机控制、人脸识别、网页前端设计、网页服务器设计、流程图、代码和效果演示等流程。

项目介绍

准备工作：硬件连接、开发板介绍、系统登录等；
环境部署：OpenCV 安装、Ultralytics 部署等；
工程测试：人脸检测、物体识别、人脸识别及其代码、效果演示等；
舵机控制：PWM输出、转速和角度控制、代码、效果等；
门禁系统：文件目录、流程图、代码、效果等。

准备工作

包括硬件连接、MYC-LR3576介绍、资源特点、参数性能、系统登录、网络连接、SSH访问等。

硬件连接

连接 WiFi 实现无线网络通信；
使用配套的 DC 电源实现设备供电；

MYC-LR3576

瑞芯微RK3576处理器，8核6T高算力赋能工业AI智能化
AI边缘应用：搭载6 TOPS的NPU加速器，3D GPU；
多种外设：双千兆以太网、PCIE2.1、USB3.2、SATA3、DSMC/Flexbus、CANFD、UART等；
8K@30fps/4K@120fps 解码（H.265、VP9、AVS2、AV1），4K@60fps编码（H.265、H.264）；
多种多媒体接口HDMI/eDP/DP/MIPI-DSI/Parallel RGB/MIPI CSI/16M Pixel ISP；
LGA381 PIN、商业级：0℃ ~ +70℃、工业级：-40℃~+85℃；
适用于工业、AIoT、边缘计算、智能移动终端以及其他多种数字多媒体等场景。

资源参数

名称	配置
处理器型号	RK3576：4xARM Cortex-A72@2.2GHz + 4xARM Cortex-A53@1.8GHz, Cortex-M0，6 TOPS NPU
	4xARM Cortex-A72 @1.6GHz + 4xARM Cortex-A53 @1.4GHz
内存	4GB LPDDR4X / 8GB LPDDR4X
存储器	32GB eMMC / 64GB eMMC
其他存储	E2PROM 32KBit
接口类型	LGA 381 PIN
工作温度	0℃ ~ +70℃
机械尺寸	43x45x3.85mm
操作系统	Linux、Debian12、ubuntu22、Yocto、Android14

默认出厂系统为 Debian12 。

详见：米尔开发者中心 .

系统登录

可使用 UART 串口登录和调试系统、或使用 SSH 远程网络登录。

串口登录

使用 Type-C 数据线连接板载 UART 调试接口；

使用 MobaXterm 软件，新建串口连接，波特率 115200 bps；

SSH登录

包括网络连接、获取 ip 地址、SSH 远程登录。

网络连接

可采用有线或无线连接方式将设备联网。

对于有线网连接，使用网线连接开发板 LAN 接口和路由器即可；

对于无线 WiFi 连接，使用 FPC 天线连接板载无线模块 IPEX 接口；

终端运行以下命令，查看附近的 WiFi 网络

nmcli device wifi list

执行以下指令连接到目标 WiFi 网络

nmcli device wifi connect "<SSID>" password "<Password>"

运行以下命令检查当前连接状态

nmcli connection show --active

IP 地址

终端执行 ifconfig 指令，获取 WLAN0 对应的 ip 地址，如 192.168.1.126 ；

远程登录

使用 MobaXterm 软件 SSH 登录板端系统；

用户名 myir 或 root，默认无密码；

环境部署

安装 OpenCV 和 Ultralytics 开发环境，便于人脸识别项目部署。

OpenCV

OpenCV 是一个开源的计算机视觉库，广泛应用于图像处理、视频分析和机器学习等领域。

终端执行指令

sudo pip3 install opencv-python opencv-contrib-python --break-system-packages

详见：OpenCV .

Ultralytics 部署

Ultralytics 基于多年在计算机视觉和人工智能领域的基础研究，打造出尖端、先进的YOLO 模型；具有 速度快、精度高、操作简便 等特点；在目标检测、跟踪、实例分割、图像分类和姿态估计等任务中表现出色。

使用系统或第三方轮子，安装 ultralytics 软件包

sudo pip3 install ultralytics --break-system-packages

验证安装

python3 -c "import ultralytics, sys, torch; print('✅ ultralytics', ultralytics.__version__, '| torch', torch.__version__, '| Python', sys.version.split()[0])"

输出相应版本号

详见：ultralytics .

工程测试

包括人脸检测、物体识别、人脸识别、舵机驱动等。

人脸检测

终端执行指令 touch fd_xml.py 新建程序文件并添加如下代码

#!/usr/bin/env python3
import cv2, argparse

parser = argparse.ArgumentParser()
parser.add_argument('-i', '--image', default='./img/friends.jpg')
args = parser.parse_args()
IMG_FILE = args.image

img = cv2.imread(IMG_FILE)

cascade_path = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
face_cascade = cv2.CascadeClassifier(cascade_path)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30)
)

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('Face Detection - press any key to quit', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

终端执行指令 python3 fd_xml.py -i ./img/friends.jpg ，弹窗显示结果

物体识别

终端执行指令 touch or_yolo8.py 新建程序文件并添加如下代码

#!/usr/bin/env python3
import cv2, argparse
from ultralytics import YOLO

parser = argparse.ArgumentParser()
parser.add_argument('-i', '--image', default='./img/desktop.jpg')
args = parser.parse_args()
IMG_FILE = args.image

img = cv2.imread(IMG_FILE)
cv2.imshow('YOLOv8', YOLO('./model/yolov8n.pt')(img)[0].plot())
cv2.waitKey(0)

终端执行指令 python3 or_yolo8.py -i ./img/fruits.jpg ，弹窗显示结果

人脸识别

OpenCV 作为计算机视觉领域的核心库，其 Python 接口提供了高效的人脸检测与识别能力。

OpenCV 注册并训练目标人脸，使用 YuNet 模型检测人脸，结合 sface 模型识别人脸。

详见：opencv_zoo/models/face_recognition_sface · GitHub .

模型

下载所需模型文件，包括人脸检测和人脸识别 ONNX 模型文件；

wget https://github.com/opencv/opencv_zoo/blob/main/models/face_detection_yunet/face_detection_yunet_2023mar.onnx
wget https://github.com/opencv/opencv_zoo/blob/main/models/face_recognition_sface/face_recognition_sface_2021dec.onnx

将文件存放在 ./model 路径。

训练图片

将目标人脸图片裁剪至合适大小；
文件名为对应的人名；
置于 ./face 文件夹。

文件目录

~/face_recognition/$tree
.
|-- face
|   |-- Cox.jpg
|   |-- David.jpg
|   |-- Jennifer.jpg
|   |-- Lisa.jpg
|   |-- Matt.jpg
|   `-- Perry.jpg
|-- fr_onnx.py
|-- img
|   |-- friends.jpg
|   `-- friends2.jpg
`-- model
    |-- face_detection_yunet_2023mar.onnx
    `-- face_recognition_sface_2021dec.onnx

将目标识别图片置于 ./img 文件夹。

代码

终端执行 touch fr_onnx.py 新建程序文件，并添加如下代码

#!/usr/bin/env python3
import cv2
import argparse
import os
import numpy as np
from pathlib import Path

# ------------------- Face Detection ------------------
def detect_faces_yunet(image_path: str,
                       conf_threshold: float = 0.8,
                       model_path: str = "./model/face_detection_yunet_2023mar.onnx") -> None:
    img = cv2.imread(image_path)
    if img is None:
        raise FileNotFoundError(image_path)
    h, w = img.shape[:2]

    # 初始化 YuNet
    detector = cv2.FaceDetectorYN_create(
        model=model_path,
        config="",
        input_size=(w, h),
        score_threshold=conf_threshold,
        nms_threshold=0.4,
        top_k=5000
    )
    detector.setInputSize((w, h))

    # detect 返回 (status, faces)  取第 1 个元素
    faces = detector.detect(img)[1]
    if faces is None:
        faces = []

    for face in faces:
        x, y, w_box, h_box, *_ = map(int, face[:4])
        score = face[-1]
        cv2.rectangle(img, (x, y), (x + w_box, y + h_box), (0, 255, 0), 2)
        label = f"{score:.2f}"
        label_size, _ = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 1)
        cv2.rectangle(img, (x, y - label_size[1] - 4),
                      (x + label_size[0], y), (0, 255, 0), -1)
        cv2.putText(img, label, (x, y - 2), cv2.FONT_HERSHEY_SIMPLEX,
                    0.5, (0, 0, 0), 1, cv2.LINE_AA)

    cv2.namedWindow("YuNet Face Detection", cv2.WINDOW_NORMAL)
    cv2.imshow("YuNet Face Detection", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# -------------------- Face Recognition -------------------
def recognize_faces(img_path: str,
                    face_dir: str = "./face",
                    model_path: str = "./model/face_detection_yunet_2023mar.onnx",
                    rec_model: str = "./model/face_recognition_sface_2021dec.onnx") -> None:
    """
    1. 读取 img_path 并检测人脸
    2. 对 face_dir 下的每张注册照提取特征
    3. 将目标人脸与注册照逐一比对，取最高余弦相似度
    4. 弹窗画出框+姓名（或 Unknown）
    """
    img = cv2.imread(img_path)
    if img is None:
        raise FileNotFoundError(img_path)
    h, w = img.shape[:2]

    # 检测器
    detector = cv2.FaceDetectorYN_create(
        model=model_path, config="", input_size=(w, h),
        score_threshold=0.8, nms_threshold=0.4, top_k=5000)
    detector.setInputSize((w, h))
    faces = detector.detect(img)[1]
    if faces is None:
        print("未检测到人脸")
        return

    # 识别器
    recognizer = cv2.FaceRecognizerSF_create(rec_model, "")

    # 注册照特征库
    regist = {}  # name -> feature
    for fp in Path(face_dir).glob("*.*"):
        name = fp.stem
        reg_img = cv2.imread(str(fp))
        if reg_img is None:
            continue
        rh, rw = reg_img.shape[:2]
        detector.setInputSize((rw, rh))
        reg_faces = detector.detect(reg_img)[1]
        if reg_faces is not None:
            # 只取第一张脸
            aligned = recognizer.alignCrop(reg_img, reg_faces[0])
            feat = recognizer.feature(aligned)
            regist[name] = feat
    detector.setInputSize((w, h))

    if not regist:
        print("注册库为空")
        return

    # 逐一比对
    for face in faces:
        aligned = recognizer.alignCrop(img, face)
        feat = recognizer.feature(aligned)
        best_score, best_name = -1, "Unknown"
        for name, reg_feat in regist.items():
            score = recognizer.match(feat, reg_feat, cv2.FaceRecognizerSF_FR_COSINE)
            if score > best_score:
                best_score, best_name = score, name
        # 画框+名字
        x, y, w_box, h_box = map(int, face[:4])

        SIM_TH = 0.3                         # 可调，OpenCV 推荐 0.3~0.4
        if best_score < SIM_TH:
            best_name = "Unknown"

        print(f"[{best_name}]  score={best_score:.3f}  box=({x},{y},{w_box},{h_box})")
        color = (0, 255, 0) if best_name != "Unknown" else (0, 0, 255)
        cv2.rectangle(img, (x, y), (x + w_box, y + h_box), color, 2)
        cv2.putText(img, f"{best_name}:{best_score:.2f}",
                    (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2)

    cv2.namedWindow("Face Recognition", cv2.WINDOW_NORMAL)
    cv2.imshow("Face Recognition", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# ---------- 命令行入口 ----------
if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("-i", "--image", required=True, help="目标图片路径")
    parser.add_argument("-m", "--mode", choices=["detect", "recognize"],
                        default="recognize", help="detect：仅检测；recognize：识别")
    args = parser.parse_args()

    if args.mode == "detect":
        detect_faces_yunet(args.image)
    else:
        recognize_faces(args.image)

保存代码。

效果

终端执行指令 python3 fr_onnx.py -i ./img/friends.jpg 运行程序；

打印输出识别结果，包括名称、置信度、坐标等信息；

弹窗显示识别结果；

舵机控制

使用树莓派板载 40pin 引脚接口的 PWM 功能，实现 SG90 舵机驱动，并控制旋转速度和角度。

根据原理图可知，板载 40pin 排针 26 号引脚具有 PWM 输出功能。

代码

终端执行指令 touch servo360.py 新建程序文件并添加如下代码

import sys, time
import RPi.GPIO as GPIO

GPIO_PIN  = 18
FREQ      = 50
CENTER    = 7.5
RANGE     = 2.5

# --------- Parameters ---------
SPEED_DPS = 480              # 实测：每秒 480 度
PWM_DEAD  = 0.05             # 停转
# ----------------------------

def duty(speed):
    return CENTER + max(-1, min(1, speed)) * RANGE

def rotate(target_deg, speed=1.0):
    """
    target_deg : 角度，负值反转
    speed      : 0~1，默认全速
    """
    if not target_deg:
        return
    direction = 1 if target_deg > 0 else -1
    run_speed = speed * direction
    run_time  = abs(target_deg) / (SPEED_DPS * speed)   # 时长

    pwm = GPIO.PWM(GPIO_PIN, FREQ)
    pwm.start(0)
    pwm.ChangeDutyCycle(duty(run_speed))
    time.sleep(run_time)
    pwm.ChangeDutyCycle(CENTER)   # 停
    time.sleep(PWM_DEAD)
    pwm.stop()

if __name__ == '__main__':
    if len(sys.argv) < 2:
        print("缺少角度"); sys.exit(1)
    deg = float(sys.argv[1])

    GPIO.setmode(GPIO.BCM)
    GPIO.setup(GPIO_PIN, GPIO.OUT)
    try:
        rotate(deg)
    finally:
        GPIO.cleanup()

保存代码。

效果

终端执行指令 python servo360.py 90 舵机逆时针转动 90 度。

门禁系统

在人脸识别和舵机控制的基础上，实现门禁系统的项目设计，包括文件目录、流程图、代码、效果演示等。

文件目录

~/AI/FaceRecognition $ tree
.
├── access.names
├── app.py
├── face
│   ├── Arnold.jpg
│   ├── Clarke.jpg
│   ├── Perry.jpg
│   └── Robert.jpg
├── model
│   ├── face_detection_yunet_2023mar.onnx
│   ├── face_recognition_sface_2021dec.onnx
│   └── face_registry.pkl
├── static
│   └── result.jpg
└── templates
    └── index.html

流程图

代码

包含三个代码文件，./access.names 为白名单，./app.py 为 flask 服务器后端，``./templates/index.html` 为网页前端。

Flask 后端

终端执行 touch app.py 新建网页服务器后端程序文件，并添加如下代码

#!/usr/bin/env python3
import os, cv2, numpy as np, pickle, time
from pathlib import Path
from flask import Flask, request, jsonify, render_template, url_for
import RPi.GPIO as GPIO
import threading

PIN_SERVO = 18
FREQ      = 50
GPIO.setmode(GPIO.BCM)
GPIO.setup(PIN_SERVO, GPIO.OUT)
pwm = GPIO.PWM(PIN_SERVO, FREQ)
pwm.start(0)

# 读取白名单
ACCESS_LIST = set(line.strip() for line in open('access.names') if line.strip())

# ---------- 人脸模型 ----------
detector   = cv2.FaceDetectorYN_create("model/face_detection_yunet_2023mar.onnx", "", (320, 320))
recognizer = cv2.FaceRecognizerSF_create("model/face_recognition_sface_2021dec.onnx", "")
registry   = pickle.loads(Path("model/face_registry.pkl").read_bytes()) if Path("model/face_registry.pkl").exists() else {}

def rotate(angle, speed=480):
    duty = 2.5 if angle > 0 else 12.5
    pwm.ChangeDutyCycle(duty)
    time.sleep(abs(angle) / speed)
    pwm.ChangeDutyCycle(0)

def door_cycle():
    rotate(90); time.sleep(3); rotate(-90)   # 门禁控制

# ---------- Flask ----------
app = Flask(__name__)

@app.route('/')
def index():
    return render_template('index.html')

@app.route('/upload', methods=['POST'])
def upload():
    file = request.files['image']
    img  = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR)
    h, w = img.shape[:2]
    detector.setInputSize((w, h))
    faces = detector.detect(img)[1]
    name, score = "Unknown", 0.0
    if faces is not None:
        face = faces[0]
        aligned = recognizer.alignCrop(img, face)
        feat    = recognizer.feature(aligned)
        for reg_name, reg_feat in registry.items():
            s = recognizer.match(feat, reg_feat, cv2.FaceRecognizerSF_FR_COSINE)
            if s > score:
                score, name = s, reg_name
        if score < 0.3:          # 识别阈值
            name = "Unknown"

    # 门禁动作
    if name != "Unknown" and name in ACCESS_LIST:
        threading.Thread(target=door_cycle, daemon=True).start()
        tip = f"{name} 请通行"
    else:
        tip = f"{name} 无权限，拒绝通行"

    # 保存识别结果
    if faces is not None:
        x, y, w_box, h_box = map(int, face[:4])
        cv2.rectangle(img, (x, y), (x + w_box, y + h_box), (0, 255, 0), 2)
        cv2.putText(img, f"{name}:{score:.2f}", (x, y - 6),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    out_path = "./static/result.jpg"
    cv2.imwrite(out_path, img)

    return jsonify(name=name, score=round(score, 3), tip=tip,
                   result_url=url_for('static', filename='result.jpg'))

# ---------- 退出 ----------
import atexit
atexit.register(lambda: (pwm.stop(), GPIO.cleanup()))

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000, debug=False)

Web 前端

终端执行 touch ./templates/index.html 新建 HTML 前端网页程序，并添加如下代码

<!doctype html>
<html lang="zh">
<head>
  <meta charset="utf-8">
  <title>门禁</title>
  <style>
    body{font-family:Arial;background:#f2f2f2;margin:0;padding:30px;text-align:center}
    #box{background:#fff;max-width:400px;margin:auto;padding:30px;border-radius:8px;box-shadow:0 0 10px rgba(0,0,0,.1)}
    img{max-width:100%;margin-top:15px}
    .status{margin-top:10px;font-size:18px}
    .opened{color:green}
    .denied{color:red}
  </style>
</head>
<body>
  <div id="box">
    <h2>人脸识别门禁</h2>
    <input type="file" id="fileInput" accept="image/*"><br>
    <button onclick="upload()">上传识别</button>
    <div id="status" class="status"></div>
    <img id="resultImg" style="display:none;">
  </div>

<script>
async function upload(){
  const file = document.getElementById('fileInput').files[0];
  if (!file) return alert('请选择图片');
  document.getElementById('status').innerText = '识别中...';

  const form = new FormData();
  form.append('image', file);
  const res = await fetch('/upload', {method:'POST', body:form}).then(r=>r.json());

  document.getElementById('status').innerHTML = res.tip;
  const img = document.getElementById('resultImg');
  img.src = res.result_url + '?t=' + Date.now();
  img.style.display = 'block';

  // 3 秒后回到等待状态（舵机关门完成）
  setTimeout(() => {
     document.getElementById('status').innerText = '已关门，等待识别';
     img.style.display = 'none';
  }, 3000);
}
</script>
</body>
</html>

白名单

终端执行 touch access.names 新建白名单文件，并添加人名列表

Linda
Edward
Clarke

保存代码。

效果

终端执行指令 python app_DC.py 运行程序；

终端打印 Web 服务器网址，如http://192.168.31.117:5000/ ；

浏览器打开服务器前端网页；

点击 选择文件 按钮，加载目标识别人脸；
点击 上传识别 按钮，立即显示识别结果、是否允许通行；

同时舵机逆时针转动，控制门禁档杆移动，表示允许通过；
待三秒钟后，舵机顺时针旋转 90 度，表示门禁关闭；
网页前端显示门禁已关闭，回到 等待识别 状态。

动态效果

总结

本文介绍了米尔 MYC-LR3576 开发板结合 OpenCV 人脸识别和 PWM 舵机控制实现智能门禁系统的项目设计，包括硬件连接、舵机控制、人脸识别、网页前端设计、网页服务器设计、流程图、代码和效果演示等流程，为相关产品在边缘 AI 领域的快速开发和应用设计提供了参考。

项目源码详见：lijinlei/EdgeAI | GitHub .