Для установки операционной системы потребуется карта microSD объёмом не меньше 8 Гб и не ниже 10 класса скорости. Образ дистрибутива доступен на официальном сайте по этой ссылке. С помощью программы Ether образ заливается на карту памяти. В нашем случае был использован дистрибутив ubuntu server.

После того как образ будет залит на карту, вставляем её в устройство и включаем его. Для настройки системы необходимо предварительно подключить монитор через mini-hdmi и usb-клавиатуру, либо подсоединить микрокомпьютер к роутеру ethernet-кабелем и подключиться к нему по ssh с помощью putty. Вход в систему по умолчанию выполняется под пользователем root и паролем orangepi.

Хотя на борту устройства присутствует достаточный объём оперативной памяти, в некоторых ситуациях её может оказаться недостаточно, поэтому сразу необходимо добавить файл подкачки.

fallocate -l 3G /swapfile
chmod 600 /swapfile
mkswap /swapfile
swapon /swapfile
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

Для настройки беспроводной сети в системе предустановлена утилита nmtui. С помощью неё очень легко прописать параметры точки доступа на устройстве.

После этого к устройству можно будет подключаться "по воздуху" и его можно расположить там, где это будет необходимо.

Установленный дистрибутив операционной системы уже содержит интерпретатор языка python нужной версии.

python3 --version
>> Python 3.10.4

Остается только дополнить его, выполнив последовательность команд:

apt-get update
apt-get upgrade
apt-get install python3-setuptools
apt-get install python3-dev
apt-get install python3-pip
apt-get install cmake
apt-get install ffmpeg

При помощи менеджера pip скачиваем и устанавливаем библиотеку opencv, которая будет использоваться для работы с камерой.

pip3 install opencv-contrib-python

Это достаточно мощная библиотека компьютерного зрения, содержит алгоритмы для обработки изображений и алгоритмы общего назначения, но мы её будем использовать по минимуму, отдав предпочтение библиотеке face recogniton, которая по своей сути является оберткой над библиотекой dlib, предоставляя простой и удобный интерфейс. Устанавливаем dlib из исходников с обязательным параметром DLIB_PNG_SUPPORT:

cd /
git clone https://github.com/davisking/dlib.git
cd dlib
python3 setup.py install --set DLIB_PNG_SUPPORT=1

Процесс компиляции занимает продолжительное время примерно около 2-3 часов и поглощает приличный объем оперативной памяти. Если вы не позаботились о создании файла подкачки, ждите гарантированного зависания на данном этапе.

После окончания установки dlib устанавливаем остальные библиотеки.

pip3 install face_recognition
pip3 install flask
pip3 install paho-mqtt
pip3 install imutils

Управление периферией реализовано через цифровые порты ввода-вывода. Для работы с ними нам понадобится библиотека OPi.GPIO.

cd /
git clone https://github.com/NadavK/OPI.GPIO
cd OPI.GPIO
python3 setup.py install

Для установки программы достаточно скачать её из репозитария:

cd /
git clone https://github.com/kylikovskix/noruas.git

Программа, отвечающая за логику работы устройства написана на языке python. Её модульную структуру можно представить в виде следующей диаграммы.

Верхний блок диаграммы содержит имена библиотек, от которых зависит работа программы. Нижний блок перечисляет ресурсы, которые используются в процессе её работы:

• Index.html содержит шаблон HTML-страницы для транслирования картинки с камеры по web-интерфейсу

• Каталог faces содержит именованные подкаталоги опорных изображений лиц, по которым будет выполняться идентификация.

• Файл face_enc содержит информацию, полученную после обработки каталога faces, в виде множества именованных эмбедингов (числовых векторов опорных точек для каждого лица)

Расположение и наименование каталога faces и файла face_enc может быть изменено через аргументы командной строки при запуске программы, список которых можно получить с помощью параметра --help

Сам запуск программы может быть выполнен двумя способами: с помощью исполняемого модуля main.py или его сокращенной версии train.py. Модуль main.py реализует всю логику работы от предварительного расчета эмбедингов до управления периферией. Это накладывает определенные ограничения: скрипт может работать только на устройствах, которые поддерживает библиотека Opi.GPIO. Как правило это сама Orange Pi и её аналоги. В тех случаях, когда потребуется обработать достаточно большое количество изображений для расчета эмбедингов, на микро-ПК это может занять продолжительное время, и данные процесс лучше выполнить на полноценном компьютере. В этом случае следует использовать исполняемый модуль train.py, который специализирован только для этого и не зависит от аппаратный части.

Вспомогательные модули абстрагируют логику работы с аппаратной частью, инкапсулируют весь процесс распознавания в отдельном классе, группируют настройки в одном конфигурационном модуле для удобства внесения изменений. Это облегчает первоначальную настройку оборудования, портирование кода на другое оборудование, так же использовать другие алгоритмы распознавания.

Перед запуском программы необходимо прописать корректные настройки в конфигурационный модуль. По умолчанию, скаченный из репозитария, файл config.py имеет следующее содержание.

broker = '127.0.0.1'
port = 1883 
client_id = ''
username = ''
password = ''

topic_frame_pub = 'noruas/face_recognition'
topic_unlock_sub = 'noruas/door/unlock'

access_list = ['brus', 'arnold']
black_list = ['filip']

model = "large"
scale = 0.25
tolerance = 0.6
cam_id = 0
show_landmarks = False

Первый блок параметров содержит параметры для подключения к mqtt-брокеру для последующей интеграции устройства в инфраструктуру умного дома. Значения данных параметров можно оставить по умолчанию, если интеграция не требуется.

Параметры topic_frame_pub и topic_unlock_sub содержат идентификаторы подписок в рамках протокола mqtt для взаимодействия с устройством.

Наконец параметр access_list содержит список имён, которым разрешён доступ. Соответственно в списке black_list перечислены имена людей, не имеющих доступа.

Последний блок параметров отвечает качество и скорость распознавания, а также задает номер камеры, под которым она зарегистрирована в системе:

• model - модель для нахождения опорных точек. Значение "large" указывает на использование 64 точек, "small" - только 5 точек лица.

• scale - коэффициент уменьшения кадра в процессе распознавания для увеличения скорости обработки кадра.

• tlerance - точность распознавания лиц.

• cam_id - номер устройства в системе, которое используется в качестве камеры. Как правило это ноль, но иногда требуется указать другое значение.

• show_landmarks - показывать или нет опорные точки лица в кадре

По умолчанию каталог faces из репозитария содержит демонстрационную подборку изображений, взятых с просторов интернета. Вы можете заменить содержимое каталога этого другой информацией, сохранив структуру. При этом не забудьте внести изменения в config.py, указав новые списки имён в параметрах access_list и black_list.

При первом запуске программы, если файл face_enc будет не найден, произойдет запуск процедуры расчета эмбедингов для всех изображений, которые содержаться содержаться в подкаталогах каталога faces. Названия подкаталогов будут ассоциированы с именами людей, изображения которых они содержат. После окончания расчетов готовые эмбединги и соответствующие имена буду записаны в файл face_enc. Процесс расчета можно принудительно выполнить, указав при запуске main.py аргумент --force-train.

Подготовку эмбедингов можно выполнить и на обычном компьютере с помощью скрипта train.py, а на устройство потом скопировать только готовый файл face_enc. В дальнейшем при наличие этого файла повторный расчёт эмбедингов выполняться не будет.

Так как демонстрационный набор достаточно мал, просто запустим программу на Orange Pi

cd /noruas
python3 main.py

Будет выведено сообщение о запуске предварительного расчета, а через некоторое время устройство будет готово к работе.

После запуска программы, если все периферия и камера подключены к контроллеру, можно приступить к проверке её работоспособности. Для этого достаточно зайти на веб-интерфейс устройства по его IP-адресу, указав номер предопределенный порт подключения:

Так устройство настроено на распознавание более известных лиц, чем моя скромная персона, на картинке моё лицо отмечено как неизвестное, и попытка разблокировать замок была оказалась безуспешной.

Что ж, обманем систему, поместив перед камерой изображение человека с "крепкими орешками".

Как видим, его лицо было опознано и в доступе нам отказано не было. Попробуем повторить трюк с остальными персонажами, которые содержаться в демонстрационной базе опорных изображений:

Как видим все изображения распознаны, но в последнем случае персонажу не повезло: по какой то причине ему оказались не очень рады и он был занесён в чёрный список.

Как показало тестирование устройство прекрасно работает, но после перезагрузки устройства или повторного включения, программу управления придется запускать каждый раз вручную. Чтобы программа стартовала автоматически при запуске системы, необходимо внести некоторые настройки, сделаем её сервисом.

nano /etc/systemd/system/noruas.service

В запущенном редакторе nano вставим следующий текст.

[Unit]
After=network.service
Description=Noruas

[Service]
Type=simple
WorkingDirectory=/noruas
ExecStart=/noruas/start.sh

[Install]
WantedBy=multi-user.target

Сохраним и закроем отредактированный файл. Создадим файл start.sh

nano /noruas/start.sh

содержащий команду запуска и перенаправление вывода в текстовый журнал.

#!/bin/bash
cd /noruas
python3 /noruas/main.py >> /noruas/logs/log.txt 2>&1

После завершения редактирования не забудем создать каталог журнала:

mkdir /noruas/logs

Установим корректные атрибуты доступа к созданным нами файлам:

chmod 744 /noruas/start.sh
chmod 664 /etc/systemd/system/noruas.service

Разрешим автозапуск нашего сервиса:

systemctl daemon-reload
systemctl enable noruas.service

Проверим его работу:

systemctl start noruas.service
systemctl status noruas.service

Выполним перезагрузку для окончательной проверки работы автозапуска.

reboot