用Python+Flask给树莓派监控加人脸识别：Picamera2实战教程
用Python+Flask给树莓派监控加人脸识别：Picamera2实战教程
树莓派作为一款高性价比的单板计算机，在智能监控领域有着广泛的应用场景。传统的监控方案往往只提供简单的视频流功能，而结合现代计算机视觉技术，我们可以实现更智能化的监控系统。本文将详细介绍如何利用Python生态中的Flask框架和最新的Picamera2库，构建一个支持人脸识别和移动侦测的智能监控系统。
1. 环境准备与硬件配置
在开始编码之前，我们需要确保硬件和软件环境都已正确配置。树莓派官方摄像头模块或兼容的USB摄像头均可用于本项目，但官方摄像头模块通常能提供更好的性能和更低的CPU占用率。
1.1 硬件连接与设置
对于树莓派官方摄像头模块：
- 确保树莓派已关机，轻轻抬起CSI接口的卡槽
- 将摄像头排线插入CSI接口，金属触点朝向远离HDMI接口的一侧
- 按下卡槽锁定排线
启用摄像头接口：
sudo raspi-config在菜单中选择Interface Options>Camera，选择启用后重启树莓派。
验证摄像头是否工作：
libcamera-hello -t 0如果能看到摄像头实时画面，说明硬件配置正确。
1.2 软件依赖安装
我们需要安装以下Python包：
pip install picamera2 flask opencv-python numpy python-telegram-bot对于人脸识别功能，还需要安装dlib库：
sudo apt-get install cmake python3-dev pip install dlib2. 构建基础视频流服务
Flask是一个轻量级的Python Web框架，非常适合构建这样的监控系统。我们将首先创建一个基础的视频流服务。
2.1 初始化Flask应用
创建一个名为app.py的文件，添加以下代码：
from flask import Flask, Response from picamera2 import Picamera2 import cv2 import numpy as np app = Flask(__name__) picam2 = Picamera2() config = picam2.create_video_configuration(main={"size": (640, 480)}) picam2.configure(config) picam2.start()2.2 实现视频流生成器
添加生成视频帧的函数：
def generate_frames(): while True: frame = picam2.capture_array() ret, buffer = cv2.imencode('.jpg', frame) frame = buffer.tobytes() yield (b'--frame\r\n' b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n')2.3 创建视频流路由
添加Flask路由以提供视频流：
@app.route('/video_feed') def video_feed(): return Response(generate_frames(), mimetype='multipart/x-mixed-replace; boundary=frame') @app.route('/') def index(): return """ <html> <head> <title>树莓派智能监控</title> </head> <body> <h1>实时监控</h1> <img src="/video_feed" width="640" height="480"> </body> </html> """ if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, threaded=True)运行应用后，访问树莓派IP地址的5000端口即可看到实时视频流。
3. 实现移动侦测功能
移动侦测是监控系统的重要功能，可以在检测到画面变化时触发警报或录像。
3.1 背景减除算法
OpenCV提供了几种背景减除算法，这里使用MOG2：
fgbg = cv2.createBackgroundSubtractorMOG2(history=500, varThreshold=16, detectShadows=True) def detect_motion(frame): gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) fgmask = fgbg.apply(gray) _, thresh = cv2.threshold(fgmask, 244, 255, cv2.THRESH_BINARY) contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) motion_detected = False for contour in contours: if cv2.contourArea(contour) > 500: # 忽略小面积变化 motion_detected = True break return motion_detected, frame3.2 集成移动侦测到视频流
修改generate_frames函数以包含移动侦测：
def generate_frames(): while True: frame = picam2.capture_array() motion_detected, processed_frame = detect_motion(frame) if motion_detected: timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") cv2.imwrite(f"motion_{timestamp}.jpg", frame) # 这里可以添加通知逻辑 ret, buffer = cv2.imencode('.jpg', processed_frame) frame = buffer.tobytes() yield (b'--frame\r\n' b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n')4. 添加人脸识别功能
人脸识别可以为监控系统增加更多智能功能，如识别已知人员或标记陌生人。
4.1 加载人脸检测模型
使用OpenCV的DNN模块加载Caffe模型：
prototxt = "deploy.prototxt" model = "res10_300x300_ssd_iter_140000.caffemodel" net = cv2.dnn.readNetFromCaffe(prototxt, model)4.2 实现人脸检测函数
def detect_faces(frame): (h, w) = frame.shape[:2] blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0)) net.setInput(blob) detections = net.forward() faces = [] for i in range(0, detections.shape[2]): confidence = detections[0, 0, i, 2] if confidence > 0.5: # 置信度阈值 box = detections[0, 0, i, 3:7] * np.array([w, h, w, h]) (startX, startY, endX, endY) = box.astype("int") faces.append((startX, startY, endX-startX, endY-startY)) return faces4.3 在视频流中标记人脸
修改generate_frames函数以标记检测到的人脸：
def generate_frames(): while True: frame = picam2.capture_array() faces = detect_faces(frame) for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) ret, buffer = cv2.imencode('.jpg', frame) frame = buffer.tobytes() yield (b'--frame\r\n' b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n')5. 实现报警通知功能
当检测到移动或陌生人脸时，系统可以通过Telegram发送通知。
5.1 配置Telegram机器人
- 在Telegram中与@BotFather对话创建新机器人
- 获取API token和chat ID
5.2 实现通知发送功能
from telegram import Bot import asyncio TELEGRAM_TOKEN = "your_bot_token" CHAT_ID = "your_chat_id" async def send_telegram_alert(image_path, message): bot = Bot(token=TELEGRAM_TOKEN) with open(image_path, 'rb') as photo: await bot.send_photo(chat_id=CHAT_ID, photo=photo, caption=message) def send_alert(image, message): timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") image_path = f"alert_{timestamp}.jpg" cv2.imwrite(image_path, image) asyncio.run(send_telegram_alert(image_path, message))5.3 集成报警到主逻辑
在检测到重要事件时调用报警功能：
def generate_frames(): known_faces = load_known_faces() # 需要事先实现加载已知人脸的功能 while True: frame = picam2.capture_array() motion_detected, _ = detect_motion(frame) faces = detect_faces(frame) if motion_detected and faces: unknown_faces = [] for face in faces: if not recognize_face(frame, face, known_faces): # 需要实现人脸识别函数 unknown_faces.append(face) if unknown_faces: send_alert(frame, "检测到未知人员！") ret, buffer = cv2.imencode('.jpg', frame) frame = buffer.tobytes() yield (b'--frame\r\n' b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n')6. 性能优化与部署建议
在实际部署时，需要考虑系统性能和稳定性。
6.1 性能优化技巧
分辨率调整：根据实际需要选择合适的分辨率
config = picam2.create_video_configuration(main={"size": (640, 480)})帧率控制：降低帧率可以减少CPU使用
config = picam2.create_video_configuration(main={"size": (640, 480)}, controls={"FrameRate": 15})硬件加速：启用树莓派的硬件编码
config = picam2.create_video_configuration(main={"size": (640, 480)}, encode="hw")
6.2 部署建议
- 使用
systemd管理服务，确保意外退出后自动重启 - 考虑使用
nginx作为反向代理，提高并发性能 - 定期清理旧的截图和录像文件
- 在高温环境下为树莓派添加散热措施
# 示例systemd服务文件 [Unit] Description=Raspberry Pi Surveillance Service After=network.target [Service] ExecStart=/usr/bin/python3 /home/pi/app.py WorkingDirectory=/home/pi StandardOutput=inherit StandardError=inherit Restart=always User=pi [Install] WantedBy=multi-user.target7. 扩展功能思路
基础功能实现后，可以考虑以下扩展：
- 多摄像头支持：使用多个树莓派构建分布式监控系统
- 云端存储：将重要事件视频上传到云存储
- 深度学习模型：替换为更精准的YOLO等目标检测模型
- 门禁集成：与电子门锁联动实现智能门禁
- 行为分析：检测异常行为如跌倒、徘徊等
实现这些扩展需要根据具体需求调整架构，可能需要引入消息队列、数据库等组件。