本文最后更新于10 天前，其中的信息可能已经过时，如有错误请发送邮件到chengkun257@gmail.com
1.树莓派的拷贝
建议使用树莓派官方拷贝软件：https://www.raspberrypi.com/software/
下好官方软件之后就能一步一步烧录了
相应的根据的你的树莓派型号选择，然后点NEXT
选择编译设置
自己设置好用户名，密码，要连的热点和密码
SSH协议打开要不然连接不上
最后一个这样设置
开始拷录，时间可能有点长，耐心等待。
2.树莓派的三种链接（要处在同一网络）
（1）你可以直接用终端链接：
win+R调出终端后
ssh 用户名@ip
输入密码后就能链接上
（2）用 putty连接树莓派：https://www.chiark.greenend.org.uk/~sgtatham/putty/latest.htm（putty的下载地址）
输入树莓派的IP，进入终端后，输入用户名和密码就连上了
（3）使用VNC远程桌面登录树莓派：Download VNC Viewer by RealVNC®（VNC的下载链接）
VNC的使用要开启相应的协议，得先用前两种方法连上树莓派后：
在命令行输入：sudo raspi-config，进入下面的界面
（1）打开VNC：Interfacing Options -> VNC -> Yes
（2）退出图形化界面：（左右方向键选择）Finish
完成后就能远程链接
输入IP地址
输入用户名和密码
3.人脸识别的项目
先安装opencv和相关拓展和依赖，会非常慢，建议换成清华源
sudo apt-get update && sudo apt-get upgrade
sudo apt-get install build-essential cmake pkg-config -y
sudo apt-get install libjpeg-dev libtiff5-dev libjasper-dev libpng-dev -y
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev -y
sudo apt-get install libxvidcore-dev libx264-dev -y
sudo apt-get install libfontconfig1-dev libcairo2-dev -y
sudo apt-get install libgdk-pixbuf2.0-dev libpango1.0-dev -y
sudo apt-get install libgtk2.0-dev libgtk-3-dev -y
sudo apt-get install libatlas-base-dev gfortran -y
sudo apt-get install libhdf5-dev libhdf5-serial-dev libhdf5-103 -y
sudo apt-get install libqtgui4 libqtwebkit4 libqt4-test python3-pyqt5 -ypip3 install numpy（# 如果用pip3下不了可以在虚拟环境中下，或者用下面的指令强制在系统 Python 中安装
pip3 install numpy --break-system-packages
）pip3 install opencv-contrib-python==4.1.0.25（
# 如果用pip3下不了可以在虚拟环境中下，或者用下面的指令强制在系统 Python 中安装 opencv-contrib-python，绕过外部管理限制，
pip3 install opencv-contrib-python --break-system-packages）下面就可以写代码了：
1.这一部分是测试你摄像头的代码
import numpy as np
import cv2
faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
cap.set(3,640) # set Width
cap.set(4,480) # set Height
while True:
ret, img = cap.read()
img = cv2.flip(img, -1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.2,
minNeighbors=5,
minSize=(20, 20)
)
for (x,y,w,h) in faces:
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w]
cv2.imshow('video',img)
k = cv2.waitKey(30) & 0xff
if k == 27: # press 'ESC' to quit
break
cap.release()
cv2.destroyAllWindows()其中haarcascade_frontalface_default.xml是要你从GitHub上下载一个名为“haarcascade_frontalface_default.xml”模型，放在项目文件里。链接如下： https://github.com/opencv/opencv/tree/master/data/haarcascades
（这个链接还包括眼睛鼻子等等的训练模型）
2.从多个用户中捕获多个人脸并将其存储在数据库（数据集目录）中，人脸将存储在目录：dataset/（如果不存在，请创建它），每个人脸将有一个唯一的数字ID，如1、2、3等。代码如下：
import cv2
import os
cam = cv2.VideoCapture(0)
cam.set(3, 640) # 视频的宽
cam.set(4, 480) # 视频的长
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 对于每个人，输入一个数字面部 ID
face_id = input('\n enter user id end press <return> ==> ')
print("\n [INFO] Initializing face capture. Look the camera and wait ...")
# 初始化个体采样面数
count = 0
while(True):
ret, img = cam.read()
img = cv2.flip(img, -1) # 垂直翻转视频图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_detector.detectMultiScale(gray, 1.3, 5)
for (x,y,w,h) in faces:
cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)
count += 1
# 将捕获的图像保存到datasets文件夹中
cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])
cv2.imshow('image', img)
k = cv2.waitKey(100) & 0xff # 按esc退出视频
if k == 27:
break
elif count >= 30: # 采集 30 个面部样本并停止视频
break
# 做清理
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()会在dataset这个文件夹里生成30张图片保存，作为一个数据图片。每张图片都会变成人脸识别部分，这里就不展示图片了。
3.必须从数据集中获取所有用户数据并“训练”OpenCV 识别器。这是由特定的 OpenCV 函数直接完成的。结果将是一个 .yml 文件，该文件将保存在“trainer/”目录中。注意确认你的 Rpi 上是否安装了 PIL 库。如果没有：pip install pillow，训练代码如下：
import cv2
import numpy as np
from PIL import Image
import os
# Path for face image database
path = 'dataset'
recognizer = cv2.face.LBPHFaceRecognizer_create()
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
# function to get the images and label data
def getImagesAndLabels(path):
imagePaths = [os.path.join(path,f) for f in os.listdir(path)]
faceSamples=[]
ids = []
for imagePath in imagePaths:
# Load the image and convert it to grayscale
PIL_img = Image.open(imagePath).convert('L')
img_numpy = np.array(PIL_img,'uint8')
id = int(os.path.split(imagePath)[-1].split(".")[1])
faces = face_detector.detectMultiScale(img_numpy)
for (x,y,w,h) in faces:
faceSamples.append(img_numpy[y:y+h,x:x+w])
ids.append(id)
return faceSamples,ids
print ("\n [INFO] Training faces. It will take a few seconds. Wait ...")
faces,ids = getImagesAndLabels(path)
recognizer.train(faces, np.array(ids))
# Save the model into trainer/trainer.yml
if not os.path.exists('trainer'):
os.makedirs('trainer')
recognizer.write('trainer/trainer.yml')
# Print the number of faces trained and end the program
print(f"\n [INFO] {len(np.unique(ids))} faces trained. Exiting Program")4.就可以根据训练的来识别了：
import cv2
import numpy as np
import os
# 加载训练好的 LBPH 人脸识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
# 加载人脸检测器
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);
# 定义字体
font = cv2.FONT_HERSHEY_SIMPLEX
# 初始化 ID 计数器
id = 0
# ID 对应的名字，例如：Marcelo 的 ID 为 1，对应的 names 列表中的第一个元素，以此类推。
names = ['None', 'Marcelo', 'Paula', 'Ilza', 'Z', 'W']
# 初始化并启动实时视频采集
cam = cv2.VideoCapture(0)
cam.set(3, 640) # 设置视频宽度
cam.set(4, 480) # 设置视频高度
# 定义最小窗口大小以被识别为人脸
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)
while True:
ret, img =cam.read()
# 垂直翻转视频图像
img = cv2.flip(img, -1)
img = cv2.flip(img, -1)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 使用人脸检测器检测人脸
faces = faceCascade.detectMultiScale(
gray,
scaleFactor = 1.2,
minNeighbors = 5,
minSize = (int(minW), int(minH)),
)
for(x,y,w,h) in faces:
# 在图像上绘制矩形，标记出人脸位置
cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)
# 对每个人脸进行识别
id, confidence = recognizer.predict(gray[y:y+h,x:x+w])
# 如果置信度小于100，则认为识别成功
if (confidence < 100):
id = names[id] # 获取 ID 对应的名字
confidence = " {0}%".format(round(100 - confidence))
else:
id = "unknown"
confidence = " {0}%".format(round(100 - confidence))
# 在图像上显示出识别结果
cv2.putText(img, str(id), (x+5,y-5), font, 1, (255,255,255), 2)
cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)
cv2.imshow('camera',img)
# 按下 ESC 键退出程序
k = cv2.waitKey(10) & 0xff
if k == 27:
break
# 清理资源
print("\n [INFO] 退出程序并清理资源")
cam.release()
cv2.destroyAllWindows()效果如下：
你要形成的代码结构如下：
从本地向树莓派里传输文件或文件夹的话用scp
scp 要传输的文件路径 用户名@IP：要传入树莓派的地方路径
scp -r 要传输的文件夹路径 用户名@IP：要传入树莓派的地方路径
语音部分：
sudo apt-get update sudo apt-get install espeak sudo apt-get install speech-dispatcherpip uninstall pyttsx3 pip install pyttsx3==2.71 # 尝试特定版本上面的命令可能会报错，安不了的话参考之前的虚拟环境安装或者强制安装
espeak --voices # 查看espeak可用语音根据有的语音ID写代码（建议用英文，因为最简单）
# 测试英式英语（和代码中一致）
espeak -v en-gb “Welcome, Marcelo. Warning: Unknown person detected”
相关了人脸识别和语音播报结合代码如下：
import cv2
import numpy as np
import os
import pyttsx3
# -------------------------- 1. 初始化英文语音引擎（关键：指定系统存在的英文语音） --------------------------
# 仅初始化1次，避免循环中频繁调用导致资源占用
engine = pyttsx3.init(driverName='espeak')
# 选择英文语音（二选一，均来自你 espeak --voices 列表）
# 选项1：英式英语（en-gb，推荐，发音更清晰）
engine.setProperty('voice', 'en-gb')
# 选项2：美式英语（en-us，若偏好美式发音可切换）
# engine.setProperty('voice', 'en-us')
# 优化语音参数（适配树莓派）
engine.setProperty('rate', 140) # 语速（120-150为宜，避免过快）
engine.setProperty('volume', 0.8) # 音量（0.0-1.0，避免过小）
# -------------------------- 2. 人脸检测基础配置 --------------------------
# 加载训练好的人脸模型（确保 trainer.yml 路径正确）
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 若报错"trainer/trainer.yml not found"，先创建文件夹：mkdir -p trainer
recognizer.read('trainer/trainer.yml')
# 加载人脸检测分类器（树莓派默认路径，避免文件缺失）
cascadePath = "/usr/share/opencv4/haarcascades/haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath)
# 配置显示字体
font = cv2.FONT_HERSHEY_SIMPLEX
id = 0 # 初始化识别ID
# 已注册用户列表（英文名称，与训练模型的ID对应）
# 注意：顺序需和你训练人脸时的用户ID一致（如ID=1对应Marcelo）
names = ['Unknown', 'Marcelo', 'Paula', 'Ilza', 'Zack', 'Will']
# -------------------------- 3. 防重复播报机制（避免循环中频繁播报） --------------------------
last_recognized = "Unknown" # 上一次识别结果
speak_cooldown = 30 # 冷却时间（单位：帧，树莓派1秒≈30帧，即1秒内只播报1次）
cooldown_counter = 0 # 冷却计数器
# -------------------------- 4. 初始化摄像头 --------------------------
# 树莓派USB摄像头用0，CSI摄像头用1（根据实际硬件调整）
cam = cv2.VideoCapture(0)
cam.set(3, 640) # 摄像头宽度
cam.set(4, 480) # 摄像头高度
# 最小人脸尺寸（避免检测过小的无效区域）
minW = 0.1 * cam.get(3)
minH = 0.1 * cam.get(4)
# -------------------------- 5. 主循环（人脸检测+英文语音播报） --------------------------
print("Face Recognition Started. Press ESC to exit.")
while True:
ret, img = cam.read()
if not ret: # 防止摄像头未连接导致崩溃
print("Error: Could not read frame from camera.")
break
# 翻转画面（确保显示方向正确，可根据实际情况调整）
img = cv2.flip(img, -1)
# 转为灰度图（人脸检测需灰度图，降低计算量）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 检测画面中的人脸
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.2, # 检测缩放因子（避免漏检）
minNeighbors=5, # 最小邻域数（过滤误检）
minSize=(int(minW), int(minH)) # 最小人脸尺寸
)
# 冷却计数器递减（每帧减1，直到0）
if cooldown_counter > 0:
cooldown_counter -= 1
# 处理每个检测到的人脸
for (x, y, w, h) in faces:
# 绘制人脸框（绿色，线宽2）
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 识别人脸（返回ID和置信度，置信度越低匹配越准）
id, confidence = recognizer.predict(gray[y:y + h, x:x + w])
# 判断识别结果：置信度<100为已注册用户，否则为陌生人
if confidence < 100:
recognized_name = names[id]
# 计算匹配准确率（100 - 置信度）
confidence_text = f" {round(100 - confidence)}% Match"
else:
recognized_name = "Unknown" # 未注册用户（陌生人）
confidence_text = f" {round(100 - confidence)}% Match"
# -------------------------- 英文语音播报（冷却期外+结果变化时触发） --------------------------
if cooldown_counter == 0 and recognized_name != last_recognized:
if recognized_name == "Unknown":
engine.say("Warning: Unknown person detected") # 陌生人播报
else:
engine.say(f"Welcome, {recognized_name}") # 已注册用户播报
engine.runAndWait() # 执行播报
last_recognized = recognized_name # 更新上一次识别结果
cooldown_counter = speak_cooldown # 启动冷却，避免重复播报
# 在画面上显示识别结果（姓名和准确率）
cv2.putText(img, recognized_name, (x + 5, y - 5), font, 1, (255, 255, 255), 2)
cv2.putText(img, confidence_text, (x + 5, y + h - 5), font, 1, (255, 255, 0), 1)
# 显示实时画面
cv2.imshow('Face Recognition Camera', img)
# 按ESC键退出（等待10ms刷新画面）
k = cv2.waitKey(10) & 0xff
if k == 27:
break
# -------------------------- 6. 释放资源（避免内存泄漏） --------------------------
print("\n[INFO] Exiting program. Releasing resources...")
cam.release() # 释放摄像头
cv2.destroyAllWindows() # 关闭所有窗口
engine.stop() # 停止语音引擎
