嵌入式边缘 AI 人脸识别门禁系统

基于 STM32 的端侧人脸识别、门禁控制和 IoT 远程管理系统。

项目概述

本项目实现了一个轻量级 边缘 AI 门禁系统。系统在 STM32 微控制器 上完成人脸识别和门禁决策，并通过 IoT 通信模块连接移动端管理应用。

项目被设计为一个完整的 边缘感知-决策-通信系统，包括：

  • 端侧人脸识别；
  • 嵌入式门禁控制逻辑；
  • 轻量模型压缩；
  • 基于 Wi-Fi 的 IoT 通信；
  • Android 远程管理应用。

与依赖云端识别的方案不同，本系统在设备端完成身份验证。这可以减少网络依赖、降低响应延迟，并提升隐私性，因为每一次门禁请求不需要上传原始人脸图像。

这个项目让我理解到：机器学习模型真正部署到资源受限设备上时，模型结构、内存、功耗、通信和系统稳定性必须一起考虑。

嵌入式边缘 AI 门禁系统

该图展示了完整流程：端侧设备采集人脸图像，STM32 上的轻量识别模型输出门禁决策，ESP8266 负责 IoT 连接，Android 应用支持远程用户管理和日志监控。

项目动机

很多 AI 应用在桌面 GPU 上容易验证，但部署到微控制器上会遇到完全不同的问题。微控制器的 SRAM、Flash、计算吞吐和功耗都非常有限。因此，边缘 AI 不只是模型设计问题，而是系统工程问题。

本项目关注三个问题：

  1. 如何将人脸识别模型压缩到可以在 STM32 级别设备上运行？
  2. 如何在本地做可靠门禁决策，同时支持远程管理？
  3. 如何让嵌入式推理、固件控制、IoT 通信和移动端软件协同工作？

最终设计采用本地推理完成实时门禁决策，用云端和移动端负责管理、同步和日志。

系统架构

系统由三个核心部分组成：

  1. 边缘 AI 推理模块（STM32）
  2. 无线通信模块（ESP8266）
  3. Android 远程管理应用

运行流程如下：

  1. 门禁终端采集人脸图像；
  2. 检测并预处理人脸区域；
  3. 在端侧提取紧凑人脸 embedding；
  4. 与已注册用户 embedding 进行相似度匹配；
  5. 触发门禁控制，执行开锁或拒绝；
  6. 上传事件日志和设备状态；
  7. 通过移动端完成用户管理。

这形成了完整的 边缘感知-决策-通信闭环。

端侧人脸识别

轻量模型设计

识别模块基于 MobileFaceNet 风格的轻量人脸 embedding 网络。模型为每张人脸输出一个紧凑特征向量，然后与注册用户特征进行相似度匹配。

流程包括：

  • 人脸采集与预处理；
  • 人脸区域检测或对齐；
  • embedding 提取；
  • cosine similarity 匹配；
  • 基于阈值的门禁决策。

相似度计算为：

[ \mathrm{sim}(u,v)=\frac{u^T v}{|u||v|} ]

当相似度超过阈值时，身份验证通过；否则拒绝访问。

TinyML 优化

为了部署到 STM32 这类资源受限硬件上，系统进行了：

  • 模型剪枝，减少冗余通道和参数；
  • INT8 量化，压缩权重和激活；
  • TensorFlow Lite Micro 适配微控制器推理；
  • 定点计算优化，降低浮点计算开销；
  • 内存规划，确保中间张量能够放入有限 SRAM。

这些优化支持：

  • 实时推理；
  • 较低内存占用；
  • 稳定嵌入式部署；
  • 相比云端识别更低的延迟和网络依赖。

主要工程难点在于平衡模型大小和识别鲁棒性。压缩过度会降低识别能力，压缩不足又会导致目标硬件无法稳定运行。

边缘-云端通信

系统使用 ESP8266 Wi-Fi 模块 实现 IoT 连接。端侧设备负责实时门禁决策，网络模块负责管理和日志。

主要功能包括：

  • 实时上传识别事件；
  • 远程同步用户数据；
  • 监控设备状态；
  • 查询门禁日志；
  • 在授权情况下执行远程控制。

通信使用：

  • MQTT 轻量发布/订阅协议；
  • 百度云 IoT 平台 进行设备管理和数据转发。

该设计将实时性强的本地决策和非实时的远程管理分离，使系统在临时网络不稳定时仍能完成核心门禁功能。

Android 移动端

项目开发了 Android 应用用于远程管理。

功能包括：

  • 用户注册和人脸录入；
  • 身份数据库管理；
  • 远程开门控制；
  • 实时设备状态监控；
  • 事件日志和历史记录。

移动端与嵌入式设备、云端平台一起构成完整的 边缘-云端-移动端交互闭环。

关键工程挑战

资源约束

  • STM32 的 RAM 和 Flash 都有限；
  • 计算吞吐受限；
  • 需要模型压缩和内存规划。

实时推理

  • 优化预处理和推理路径以降低延迟；
  • 减少不必要的内存拷贝；
  • 调整模型复杂度，使其满足嵌入式运行限制。

系统集成

  • 集成嵌入式固件、AI 推理、网络通信和移动端应用；
  • 处理 STM32、ESP8266、云平台和 Android 客户端之间的通信；
  • 设计日志和状态信息，便于调试和远程监控。

这个项目最有价值的部分，是让我体会到系统中任何一个小模块的问题都会影响整体体验：延迟消息、不稳定阈值、内存溢出都可能导致系统不可用。

技术栈

硬件

  • STM32 微控制器；
  • ESP8266 Wi-Fi 模块；
  • 摄像头模块；
  • 门禁控制执行器。

AI / 嵌入式

  • MobileFaceNet 风格轻量 embedding 网络；
  • TensorFlow Lite Micro；
  • 模型剪枝；
  • INT8 量化；
  • 定点推理。

通信

  • MQTT 协议；
  • 百度云 IoT；
  • 事件与状态同步。

移动端

  • Android 应用；
  • 远程用户管理；
  • 事件日志界面。

项目结果

系统展示了一个完整的 边缘 AI 部署流程，实现了：

  • 微控制器级硬件上的实时人脸识别；
  • 低延迟、隐私友好的本地门禁决策；
  • 通过 IoT 进行远程监控和用户管理；
  • 覆盖 AI、固件、网络和移动端的端到端原型系统。

关键收获

  • 系统实践了 TinyML 和嵌入式 AI 部署。
  • 搭建了完整的 边缘 AI 系统，包含 AI、固件、IoT 和移动端。
  • 理解了压缩、量化和运行时约束如何影响模型行为。
  • 建立了在严格资源限制下设计智能系统的工程思维。

这个项目为我后来研究 高效感知系统、通信受限学习和可部署智能体 打下了基础。