单片机：构建轻量级人脸识别门禁系统（含完整代码）

1. 为什么要在单片机上折腾人脸识别？

你可能觉得人脸识别是手机或者电脑上才有的“高级”功能，需要强大的CPU和GPU才能跑得动。我以前也这么想，直到有一次，我想给自己工作室的门禁做个升级，又不想花大价钱买成品系统，就琢磨着能不能用手里现成的单片机开发板来实现。结果一研究，发现这事儿还真有搞头。

单片机，比如大家熟悉的STM32或者ESP32，虽然算力跟手机没法比，但它功耗低、成本低、体积小，非常适合做成一个独立的、嵌入式的设备。想象一下，一个火柴盒大小的板子，接上一个小摄像头，就能帮你“看门”，识别出是不是自己人，然后控制电磁锁开门。这成本可能还不到一百块钱，而且完全由你掌控，数据也不用上传到云端，隐私性更好。

当然，在单片机上做人脸识别，和我们平时在电脑上用的深度学习方法完全不同。这里玩的是“轻量级”和“极致优化”。我们不会去跑动辄几百兆的神经网络模型，而是采用一些经典的、计算量小的图像处理算法，在有限的资源（比如几十KB的内存，几百KB的存储空间）里，把核心的识别功能跑起来。这个过程就像是在小胡同里开赛车，虽然场地受限，但把车改装好、路线规划好，一样能跑得又快又稳。

这个项目特别适合智能家居爱好者、嵌入式开发的学习者，或者就是想动手做个有趣小产品的朋友。它不仅能让你深入理解人脸识别的基本原理，更能让你体会到在资源受限环境下做开发的挑战和乐趣。接下来，我就把我从硬件选型到代码调试的整个过程，以及踩过的那些坑，详细地分享给你。

2. 精打细算：硬件选型与连接方案

硬件是项目的骨架，选对了才能事半功倍。我们的目标是低成本、低功耗、够用就好，千万别追求高性能而选了不适合单片机的部件。

2.1 核心大脑：单片机怎么选？

首先得挑主控。STM32和ESP32是两大热门，它们各有侧重。

• STM32F4系列（比如F407）：这是我这次项目用的。它的优势是主频高（168MHz），带有DSP指令集和FPU（浮点运算单元）。做图像处理时，经常有大量的乘加运算，DSP和FPU能大大加速这个过程，比普通的Cortex-M内核快很多。如果你追求极致的处理速度，F4系列是很好的选择。
• ESP32系列：它的最大优势是自带Wi-Fi和蓝牙。如果你的门禁系统需要联网上报记录，或者用手机APP远程管理，那ESP32几乎是唯一选择。它的CPU是双核的，主频也够用，但图像处理相关的专用指令不如STM32F4。不过，ESP32的社区资源非常丰富，很多现成的库可以用。

我最后选了STM32F407VET6，主要看中它的性能，而且我手头就有这块板子。对于第一次尝试的朋友，我其实更推荐ESP32-CAM这个模块，它把ESP32和摄像头做到了一起，还带个TF卡槽，几乎是为这个项目量身定做的，省去了很多接线和调试的麻烦。

2.2 眼睛：摄像头模块的取舍

摄像头是关键输入设备。OV7670和OV2640是最常见的两种。

• OV7670：30万像素，输出图像最大640x480。它最大的优点是接口简单（通常用SCCB，类似I2C），数据通过并口输出，单片机可以直接读取。缺点是像素低，图像质量一般，而且在光线不好的地方效果会打折扣。
• OV2640：200万像素，支持输出JPEG格式图像。这是它革命性的优势。OV7670输出的是原始的RGB或YUV数据，一帧640x480的灰度图就要300KB内存，单片机根本存不下。而OV2640可以直接输出压缩后的JPEG数据，一帧可能只有几KB到十几KB，极大地减轻了单片机的存储和传输压力。

所以，无脑推荐OV2640。虽然它比OV7670贵一点，但能帮你绕过最头疼的内存瓶颈。我一开始用的OV7670，为了存一帧图像折腾了半天内存管理，后来换到OV2640，整个项目难度直接降了一个等级。

2.3 外围辅助设备

其他部件就比较常规了：

• 存储：一个普通的SPI接口TF卡模块就行，用来存储注册好的人脸特征数据（不是存图片）。
• 显示：一块0.96寸或1.3寸的OLED屏（I2C接口），用来显示识别结果（“欢迎回家”或“识别失败”）或者调试信息。LCD屏也可以，但功耗和体积会大一些。
• 指示与执行：一个LED灯（识别成功亮绿灯），一个蜂鸣器（识别成功“滴”一声），一个继电器模块（用来控制门锁的12V电路，注意安全，操作强电务必谨慎！）。
• 电源：整个系统最好用5V/2A的USB电源供电，确保摄像头和单片机工作稳定。

2.4 硬件连接实战图

光说可能有点抽象，我画一个简单的连接示意图，你照着接就行：

[OV2640摄像头]
    |-- SCL --> 单片机I2C时钟引脚 (PB8)
    |-- SDA --> 单片机I2C数据引脚 (PB9)
    |-- D0..D7 --> 单片机数据端口 (例如PI0-PI7)
    |-- VSYNC --> 单片机定时器引脚 (例如PA8)
    |-- HREF --> 通用IO引脚 (例如PC9)
    |-- PCLK --> 通用IO引脚 (例如PA6)
    |-- XCLK --> 单片机输出时钟 (例如PA0)
    |-- 电源 --> 3.3V 和 GND

[TF卡模块]
    |-- CS --> 单片机SPI片选 (例如PA4)
    |-- SCK --> 单片机SPI时钟 (例如PA5)
    |-- MISO --> 单片机SPI主机输入 (例如PA6)
    |-- MOSI --> 单片机SPI主机输出 (例如PA7)
    |-- 电源 --> 5V 和 GND (注意模块电平，有些是3.3V)

[OLED屏 (I2C)]
    |-- SCL --> 单片机I2C时钟 (PB8，可与摄像头共用)
    |-- SDA --> 单片机I2C数据 (PB9，可与摄像头共用)
    |-- 电源 --> 3.3V 和 GND

[继电器模块]
    |-- IN --> 单片机GPIO引脚 (例如PC13)
    |-- 电源 --> 5V 和 GND
    |-- COM/NO/NC --> 连接门锁电路

接线的时候，数据线尽量短，电源线最好在靠近模块的地方加个10uF的电解电容和0.1uF的瓷片电容滤波，能有效减少图像采集时的干扰噪点。

3. 算法瘦身：在单片机上跑通人脸识别

硬件搭好了，接下来就是最核心的软件部分。在单片机上，我们不能直接用OpenCV里那些现成的函数，必须自己实现一套精简的流程。

3.1 图像采集与预处理：给图像“减肥”

OV2640输出JPEG后，我们首先要解码。单片机解码全尺寸的JPEG依然吃力，所以要在摄像头初始化时，就把分辨率设低。设置为176x144（QCIF）或320x240（QVGA）就足够了。人脸在画面中占大部分区域，这个分辨率对于后续处理已经可以提供足够的信息。

解码得到RGB图像后，第一步永远是灰度化。彩色图像每个像素有R、G、B三个值，处理量是灰度的三倍。灰度化公式很简单：Gray = 0.299*R + 0.587*G + 0.114*B。在单片机里，我们可以用整数运算来近似：Gray = (R*299 + G*587 + B*114 + 500) / 1000，避免速度慢的浮点运算。

接着是图像二值化或均衡化。二值化就是设定一个阈值，把灰度图变成纯黑白，可以突出轮廓。但光照变化会影响阈值。所以我更推荐做一下直方图均衡化，这个算法能拉伸图像的对比度，让暗处和亮处的细节都更清晰，对光照变化有一定的鲁棒性。实现起来也不复杂，就是统计灰度直方图，然后计算累积分布函数，最后映射一下每个像素的灰度值。

3.2 特征提取：抓住“脸”的精髓

特征提取是从图像中提炼出关键信息的过程。在PC上我们可以用深度学习提取几千维的特征，在单片机上，我们得用更“小巧”的方法。

• Haar-like特征：这是OpenCV早期人脸检测用的方法。它计算图像中相邻矩形区域像素和的差值，来捕捉眼睛比脸颊暗、鼻梁比两侧亮这类特征。但它主要用于“检测”人脸在哪里，而不是“识别”这是谁。我们可以用它先框出人脸区域，减少后续处理的数据量。
• LBP（局部二值模式）：这是我最终采用的方法，因为它计算简单，且对光照变化不敏感。它的原理是：以每个像素为中心，与周围的8个像素比较，比中心亮的记为1，暗的记为0，这样就得到一个8位的二进制数（0-255），这就是该点的LBP值。对整个脸区域计算LBP，然后统计这个区域的LBP值直方图（256维），这个直方图就可以作为这张脸的特征向量。关键优化：我们可以使用“圆形LBP”或者“均匀模式LBP”，将256维直方图降到59维，特征向量大小减少了近80%，但识别效果几乎不变，这对单片机是巨大的福音。

3.3 识别比对：简单的就是最好的

提取到特征（比如一个59维的向量）后，就需要和数据库里存储的特征进行比对。数据库怎么来？我们需要一个“注册”模式：当第一次使用时，让用户站在摄像头前，采集多张（比如5张）不同角度的图片，分别提取LBP特征并求平均值，得到一个“模板”特征向量，然后存入TF卡。

比对的时候，计算当前图像特征与数据库中每个模板特征的距离。常用的距离有欧氏距离和余弦相似度。在单片机里，欧氏距离计算更直接：距离 = sqrt( (v1[0]-v2[0])^2 + (v1[1]-v2[1])^2 + ... )。为了避免耗时的开方运算，我们可以直接比较距离的平方。

设定一个阈值。如果当前特征与某个模板的距离小于这个阈值，就认为是同一个人；如果比所有模板的距离都大，那就是陌生人。这个阈值需要你根据实际环境测试调整，是在“误识别”（把陌生人认成自己人）和“拒识别”（把自己人拒之门外）之间找一个平衡点。

4. 代码实战：从零搭建你的门禁系统

理论说了一大堆，是时候上代码了。我会以STM32F4配合OV2640为例，分模块讲解关键代码。完整工程代码比较长，我会把核心部分贴出来，并解释为什么这么写。

4.1 摄像头驱动与图像采集

首先，我们必须正确初始化OV2640。它有一大堆寄存器需要配置，包括输出格式、分辨率、亮度、对比度等。通常厂家会提供一个配置数组，我们通过I2C挨个写入就行。

// ov2640.c 片段
uint8_t OV2640_Init(void)
{
    // 1. 检查摄像头ID
    if (OV2640_ReadID() != 0x2642) {
        OLED_ShowString(0, 0, "CAM ERR");
        return 1;
    }

    // 2. 复位摄像头
    OV2640_WriteReg(0xff, 0x01);
    OV2640_WriteReg(0x12, 0x80);
    HAL_Delay(100);

    // 3. 加载预定义的JPEG输出配置（QVGA分辨率）
    for (int i=0; i<sizeof(ov2640_jpeg_init_reg_tbl)/2; i++) {
        OV2640_WriteReg(ov2640_jpeg_init_reg_tbl[i][0], ov2640_jpeg_init_reg_tbl[i][1]);
    }

    // 4. 设置图像质量、亮度等（可根据环境微调）
    OV2640_WriteReg(0xff, 0x00);
    OV2640_WriteReg(0x05, 0xef); // 亮度
    OV2640_WriteReg(0x06, 0x94); // 对比度
    OLED_ShowString(0, 0, "CAM OK");
    return 0;
}

采集一帧JPEG图像数据是关键。OV2640会通过DCMI（数字摄像头接口）把数据源源不断地送过来，我们需要用DMA（直接存储器访问）来接收，这样CPU不用干预，可以同时做别的事。

// 启动一帧JPEG采集
void OV2640_Capture_Frame(void)
{
    // 设置DMA目标地址和长度
    HAL_DCMI_Start_DMA(&hdcmi, DCMI_MODE_SNAPSHOT, (uint32_t)&jpeg_buffer, JPEG_BUF_SIZE);
    // 等待DMA传输完成中断
    while (jpeg_data_ready == 0);
    jpeg_data_ready = 0;
    // 此时 jpeg_buffer 里就是压缩好的JPEG数据，jpeg_len 是实际长度
}

4.2 LBP特征提取实现

下面是精简版的均匀模式LBP特征提取函数，输入是灰度图像数组和检测到的人脸区域坐标。

// feature.c 片段
#define LBP_UNIFORM_PATTERNS 59

void extract_LBP_histogram(uint8_t *gray_img, int width, int height, int face_x, int face_y, int face_w, int face_h, uint16_t *histogram)
{
    // 1. 初始化直方图数组为0
    for (int i=0; i<LBP_UNIFORM_PATTERNS; i++) histogram[i] = 0;

    // 2. 只处理人脸区域内部，边界留出一圈不处理
    for (int y = face_y+1; y < face_y+face_h-1; y++) {
        for (int x = face_x+1; x < face_x+face_w-1; x++) {
            uint8_t center = gray_img[y*width + x];
            uint8_t lbp_code = 0;
            // 获取3x3邻域，手动比较（比用循环快）
            lbp_code |= (gray_img[(y-1)*width + (x-1)] > center) << 7;
            lbp_code |= (gray_img[(y-1)*width +  x   ] > center) << 6;
            lbp_code |= (gray_img[(y-1)*width + (x+1)] > center) << 5;
            lbp_code |= (gray_img[ y   *width + (x+1)] > center) << 4;
            lbp_code |= (gray_img[(y+1)*width + (x+1)] > center) << 3;
            lbp_code |= (gray_img[(y+1)*width +  x   ] > center) << 2;
            lbp_code |= (gray_img[(y+1)*width + (x-1)] > center) << 1;
            lbp_code |= (gray_img[ y   *width + (x-1)] > center) << 0;

            // 3. 转换为均匀模式索引 (0-58)
            int index = uniform_lbp_map[lbp_code];
            histogram[index]++;
        }
    }

    // 4. 归一化直方图（可选，但能提升光照鲁棒性）
    int total_pixels = (face_h-2)*(face_w-2);
    for (int i=0; i<LBP_UNIFORM_PATTERNS; i++) {
        histogram[i] = (histogram[i] * 1000) / total_pixels; // 转换为千分之比
    }
}

这里的 uniform_lbp_map 是一个大小为256的查找表，预先算好了每个LBP值对应的均匀模式索引，这避免了实时计算跳变次数，是典型的以空间换时间的优化策略。

4.3 特征存储、比对与主程序逻辑

特征需要保存到TF卡。我们以二进制格式存储，每个模板包含一个ID（比如用户名字符串）和对应的59维特征向量。

// storage.c 片段
typedef struct {
    char user_id[20];
    uint16_t feature[LBP_UNIFORM_PATTERNS];
} face_template_t;

// 注册新面孔
void register_face(const char *id, uint16_t *feature) {
    face_template_t tmpl;
    strcpy(tmpl.user_id, id);
    memcpy(tmpl.feature, feature, sizeof(tmpl.feature));
    // 追加写入到TF卡文件 "faces.dat"
    f_write(&fil, &tmpl, sizeof(face_template_t), &bytes_written);
}

// 从TF卡加载所有模板到内存数组（模板数量少时可以这样做）
uint8_t load_all_templates(face_template_t *db, int max_count) {
    // 打开文件，循环读取直到文件尾
    while (f_read(&fil, &db[count], sizeof(face_template_t), &bytes_read) == FR_OK && bytes_read > 0) {
        count++;
        if (count >= max_count) break;
    }
    return count; // 返回加载的模板数
}

主程序的逻辑就是一个清晰的循环：

// main.c 骨架
face_template_t face_database[10];
uint8_t registered_count = 0;

int main(void) {
    // 硬件初始化
    HAL_Init();
    SystemClock_Config();
    OLED_Init();
    OV2640_Init();
    SD_Init();
    // 加载已注册的人脸数据库
    registered_count = load_all_templates(face_database, 10);

    while (1) {
        OLED_ShowString(0, 0, "Ready...");
        // 1. 捕获一帧JPEG
        OV2640_Capture_Frame();
        // 2. JPEG解码为RGB
        jpeg_decode(jpeg_buffer, jpeg_len, rgb_buffer);
        // 3. RGB转灰度，并做均衡化
        rgb_to_gray_and_equalize(rgb_buffer, gray_buffer);
        // 4. 人脸检测（简单版：在整个图中找最大连通域，或使用预置的Haar分类器数据）
        if (detect_face(gray_buffer, &face_x, &face_y, &face_w, &face_h)) {
            // 5. 在检测到的人脸区域提取LBP特征
            extract_LBP_histogram(gray_buffer, IMG_WIDTH, IMG_HEIGHT, face_x, face_y, face_w, face_h, current_feature);
            // 6. 与数据库比对
            int matched_id = -1;
            uint32_t min_distance = 0xFFFFFFFF;
            for (int i=0; i<registered_count; i++) {
                uint32_t dist = calculate_euclidean_distance_sq(current_feature, face_database[i].feature, LBP_UNIFORM_PATTERNS);
                if (dist < MIN_DISTANCE_THRESHOLD && dist < min_distance) {
                    min_distance = dist;
                    matched_id = i;
                }
            }
            // 7. 输出结果
            if (matched_id != -1) {
                OLED_Clear();
                OLED_ShowString(0, 0, "Welcome!");
                OLED_ShowString(0, 2, face_database[matched_id].user_id);
                HAL_GPIO_WritePin(LED_GPIO_Port, LED_Pin, GPIO_PIN_SET);
                HAL_GPIO_WritePin(RELAY_GPIO_Port, RELAY_Pin, GPIO_PIN_SET); // 开门
                HAL_Delay(3000); // 开门3秒
                HAL_GPIO_WritePin(RELAY_GPIO_Port, RELAY_Pin, GPIO_PIN_RESET);
            } else {
                OLED_ShowString(0, 0, "Stranger!");
                HAL_GPIO_WritePin(BEEP_GPIO_Port, BEEP_Pin, GPIO_PIN_SET); // 报警声
                HAL_Delay(500);
                HAL_GPIO_WritePin(BEEP_GPIO_Port, BEEP_Pin, GPIO_PIN_RESET);
            }
            HAL_GPIO_WritePin(LED_GPIO_Port, LED_Pin, GPIO_PIN_RESET);
        }
        HAL_Delay(500); // 间隔0.5秒检测一次
    }
}

5. 调优与避坑：让系统真正可用

代码跑起来只是第一步，要让系统稳定可靠，还需要大量的调试和优化。我把自己踩过的坑和解决方案列出来，希望能帮你节省时间。

坑1：图像质量不稳定，识别率随光线变化大。

• 解决：除了前面说的直方图均衡化，一定要在摄像头初始化时，关闭自动曝光（AEC）和白平衡（AWB），或者把它们锁定在某个固定值。OV2640的自动模式在光线变化时会剧烈调整参数，导致连续两帧图像的亮度差异巨大，特征提取就完全乱套了。手动设置一组室内光照下的固定参数，虽然换到室外可能不行，但在固定的门禁位置，效果非常稳定。

坑2：人脸检测框不准，或者经常检测不到。

• 解决：在单片机上跑完整的Viola-Jones检测器（Haar级联）还是比较吃力。我采用了一种“懒人方法”：因为门禁摄像头位置固定，人脸出现的位置也大致固定。我直接在图像中央划出一个“感兴趣区域”（ROI），默认这个区域里就是人脸。然后，我在这个ROI内计算图像的“人脸似然度”，比如计算垂直方向的灰度投影，看有没有两个眼睛的凹陷区和一个鼻梁的凸起区。虽然不如真正的检测器鲁棒，但在固定场景下简单有效，几乎零计算成本。

坑3：误识别，把稍微像的人认成管理员。

• 解决：这主要是阈值设置问题。不要只用一个全局阈值。我的经验是采用“双重验证”。第一次比对用较低的阈值，快速筛选出可能的候选人。如果找到了，再进行第二次验证：让用户稍微侧一下脸（可以通过语音或屏幕提示），再采集一张侧脸图像提取特征，与数据库中该用户的侧脸模板（需要预先注册）比对。只有两次都通过才算成功。这能极大降低误识率。

坑4：系统偶尔死机或无响应。

• 解决：大概率是内存溢出或者堆栈溢出。STM32F4的内存也不大。务必确保：
  1. 图像缓冲区（RGB缓冲、灰度缓冲）使用全局数组静态分配，不要用malloc。
  2. JPEG解码库选择内存消耗小的，或者使用“流式解码”，边读边解，不保存完整位图。
  3. 增大任务栈空间。在FreeRTOS（如果你用了的话）的配置里，或者启动文件的栈指针设置里，把栈空间调大。
  4. 使用看门狗（IWDG）。在主循环里定期“喂狗”，一旦程序跑飞，看门狗会自动复位系统，保证设备能自我恢复。

性能优化小技巧：

• 将频繁调用的函数（如extract_LBP_histogram）内部循环的关键代码，用汇编或编译器内联函数重写。
• 启用STM32的I-Cache和D-Cache。
• 如果使用DMA传输图像数据，将缓冲区定义在CCM RAM（如果芯片有的话）或者DTCM RAM中，这部分内存访问速度最快。

最后，别忘了安全。继电器控制的门锁电路是强电，务必做好电气隔离，可以用光耦隔离单片机的控制信号。整个设备外壳要绝缘，防止触电。这个DIY系统适合作为学习项目和家庭内部使用，如果是重要的办公场所，建议还是采购经过安全认证的商业产品。