基于STM32与OpenCV的人脸识别门禁系统设计与实现（附完整源码与硬件方案）

elastic6hunter

722人浏览 · 2026-02-11 03:05:05

elastic6hunter · 2026-02-11 03:05:05 发布

1. 系统架构设计思路

做这个人脸识别门禁系统时，我最初的想法很简单：能不能用STM32做控制核心，再结合Python的OpenCV库来实现一个低成本但实用的人脸识别方案？实际做下来发现，这个架构确实可行，而且效果出乎意料的好。

整个系统采用上下位机分工的模式。下位机用STM32F103ZET6作为主控，负责硬件控制和人脸图像采集，上位机用Python+OpenCV做人脸识别处理。这样设计有个明显好处——STM32不用承担复杂的识别运算，只需要专注做好图像采集和硬件控制，识别任务交给性能更强的PC机处理。

我试过几种不同的硬件连接方案，最终确定的系统组成包括：STM32主控板、OV2640摄像头模块、2.4寸TFT液晶屏、ESP8266 WiFi模块、继电器模块（模拟门锁）和按键模块。摄像头负责采集人脸图像，WiFi模块负责上下位机通信，液晶屏显示系统状态，继电器模拟门禁开关。

这里特别要说一下为什么选择WiFi传输而不是直接用人脸识别模块。实测发现，市面上很多直接集成人脸识别算法的模块要么价格太高，要么识别精度不够。用STM32+OpenCV的方案，成本能控制在200元以内，而且识别精度完全可以满足门禁系统的要求。

2. 硬件选型与电路设计

硬件选型这块我踩过不少坑，最后确定的方案都是经过实测可用的。主控芯片用STM32F103ZET6，这款芯片资源足够丰富，有3个USART和2个SPI接口，完全能满足外设连接需求。

摄像头选择OV2640，性价比很高，最高支持200万像素，实际使用中设置为320*240分辨率就够用了。关键是要注意摄像头的供电稳定性，我在调试过程中就遇到过因为供电不足导致的图像采集问题。

显示模块选用2.4寸TFT彩屏，SPI接口的就行，占用IO口少。WiFi模块用ESP8266，这个模块真的很实用，通过AT指令就能实现TCP通信，大大简化了网络编程的难度。

电路设计时要注意几个关键点：电源部分一定要做好滤波处理，模拟和数字部分要分开供电。摄像头和屏幕共用一个SPI接口时要做好片选控制，避免总线冲突。所有外设接口最好都加上电平转换电路，确保信号稳定性。

这是我实际使用的硬件连接表：

外设模块	连接接口	主要参数
OV2640摄像头	SPI1	分辨率320*240
TFT液晶屏	SPI2	2.4寸，240*320
ESP8266 WiFi	USART3	波特率115200
继电器模块	PA0	5V驱动能力
按键模块	PA1-PA3	带硬件消抖

3. 下位机程序设计

下位机程序主要完成四个功能：图像采集、屏幕显示、网络通信和门禁控制。程序框架基于FreeRTOS实时系统，创建了三个任务分别处理不同的功能。

图像采集任务负责控制OV2640摄像头采集图像数据。这里有个关键点要注意：OV2640输出的是JPEG格式数据，需要先进行解码才能显示和处理。我最初尝试在STM32上做JPEG软解码，发现速度太慢，后来改为直接传输JPEG数据到上位机解码，效率提升很明显。

显示任务管理TFT液晶屏的刷新显示。屏幕主要显示实时画面、识别结果和系统状态。为了优化显示速度，我使用了DMA传输方式，减少CPU占用率。

网络通信任务通过ESP8266模块与上位机进行TCP通信。这个部分花了最多时间调试，主要难点在于数据包的封装和解析。最终采用的协议很简单：数据包头+数据长度+数据内容+校验码。实测这种协议在WiFi环境下传输很稳定。

// 网络数据发送示例代码
void send_image_data(uint8_t *image_data, uint32_t data_len)
{
    uint8_t packet_header[4] = {0xAA, 0xBB, 0xCC, 0xDD};
    uint32_t packet_len = data_len + 8;
    uint8_t checksum = 0;
    
    // 发送数据包头
    uart_send_bytes(UART3, packet_header, 4);
    
    // 发送数据长度
    uart_send_bytes(UART3, (uint8_t*)&packet_len, 4);
    
    // 发送图像数据
    for(int i=0; i<data_len; i+=100) {
        uart_send_bytes(UART3, image_data+i, 
                       (data_len-i)>100?100:(data_len-i));
        delay_ms(10);
    }
    
    // 发送校验码
    checksum = calculate_checksum(image_data, data_len);
    uart_send_byte(UART3, checksum);
}

门禁控制任务根据上位机返回的识别结果控制继电器动作。如果是已录入人员，继电器吸合2秒模拟开门动作；如果是陌生人，则触发蜂鸣器报警。实际使用时可以根据需要调整开门时间。

4. 上位机识别算法实现

上位机程序用Python编写，主要依赖OpenCV、Dlib和NumPy这几个库。程序启动后先开启TCP服务器监听下位机的连接请求，收到图像数据后进行人脸检测和识别。

人脸检测使用OpenCV的DNN模块加载Caffe模型，这个方法的检测精度和速度都很不错。识别算法选用LBPH算法，相比其他算法，LBPH对光照变化的适应性更强，更适合门禁这种实际应用场景。

# 人脸识别核心代码
class FaceRecognizer:
    def __init__(self):
        self.face_detector = cv2.dnn.readNetFromCaffe(
            'models/deploy.prototxt',
            'models/res10_300x300_ssd_iter_140000.caffemodel'
        )
        self.recognizer = cv2.face.LBPHFaceRecognizer_create()
        self.face_data = []
        self.labels = []
        
    def add_face(self, image, label):
        # 人脸检测
        blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300))
        self.face_detector.setInput(blob)
        detections = self.face_detector.forward()
        
        # 提取人脸区域
        for i in range(detections.shape[2]):
            confidence = detections[0, 0, i, 2]
            if confidence > 0.5:
                box = detections[0, 0, i, 3:7] * np.array(
                    [image.shape[1], image.shape[0], 
                     image.shape[1], image.shape[0]])
                x1, y1, x2, y2 = box.astype("int")
                face_roi = image[y1:y2, x1:x2]
                self.face_data.append(face_roi)
                self.labels.append(label)
                
    def train_model(self):
        if len(self.face_data) > 0:
            self.recognizer.train(self.face_data, np.array(self.labels))
            
    def recognize_face(self, image):
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        faces = self.face_detector.detectMultiScale(gray, 1.3, 5)
        for (x,y,w,h) in faces:
            face_roi = gray[y:y+h, x:x+w]
            label, confidence = self.recognizer.predict(face_roi)
            return label, confidence
        return None, None

数据库使用SQLite存储注册人员信息，包括姓名、ID和人脸特征数据。每次识别完成后，系统会记录识别日志，包括时间、识别结果和置信度，方便后续查询和管理。

在实际测试中，我发现光线条件对识别精度影响很大。后来增加了图像预处理环节，包括直方图均衡化和伽马校正，显著提升了暗光环境下的识别率。