居家安全长期以来一直依赖于一种简单的物理交换：钥匙契合锁具，或者密码开启门禁。虽然这些方法行之有效，但它们也存在内在风险；钥匙可能会丢失或被盗，而密码可能会被遗忘或被旁人窃听。近年来，“智能家居”的概念承诺用数字智能取代这些机械工具，利用传感器和互联网连接来管理人员进出房屋。这一演进过程中的一个更高级阶段涉及生物识别系统，它利用指纹或面部特征等独特的身体特征来识别身份。与可以被复制的钥匙不同，面部难以复制，提供了一种既具有个人特性又难以伪造的安全层。然而，要使这种系统在受控实验室之外、在足够小到可以安装在入户门上的设备上可靠运行，提出了重大的工程挑战。
印度尼西亚哈桑努丁大学的研究人员通过构建并测试一款结合了面部识别与数字门铃功能的智能门锁原型机，解决了这一挑战。他们的目标是创造一个单一系统，该系统能够自动允许居民进入、提醒业主有访客到来，甚至标记可疑行为，且无需人类在门口。他们构建的设备运行在树莓派（Raspberry Pi）上，这是一种常用于教育项目的廉价小型计算机，充当着整个操作的大脑。连接在这台计算机上的是一个摄像头、一个运动传感器、一个用于物理锁定门的电磁锁以及一个起门铃作用的按钮。该系统被设计为以两种不同的模式工作：一种针对已知的住户，另一种针对陌生人。
当有人靠近门口时，运动传感器会触发摄像头抓拍照片。如果系统识别出面部属于已注册的住户，它会立即解锁门锁。这个过程完全在设备本身完成，无需先将图像发送到远程服务器，从而保证了响应速度并保护了隐私。如果面部与系统内存中的任何人都无法匹配，门将保持锁定状态。系统并没有简单地将陌生人拒之门外，而是切换到了智能门铃模式。它会在一个小屏幕上显示一条消息，请求访客按下按钮。一旦按下，业主会立即在智能手机上收到通知，并附带一张门口人员的照片。随后，业主可以选择远程解锁门锁或保持锁定。
研究人员还对系统进行了编程，使其能够监测异常行为。如果一个人站在门前且在二十秒内没有按下按钮，系统就会判定这可能是可疑活动。在这种情况下，即使没有按下按钮，系统也会立即向业主发送警报，使居民能够在等待电话之前就调查潜在威胁。为了确保系统正常工作，团队利用一组人员（包括注册用户和陌生人）在距离门不同远近的情况下对其进行了测试。他们发现，摄像头在三米范围内都能完美可靠地检测到面部。在进行身份识别时，系统的准确性很高，能以约92%的准确率正确识别注册用户。至关重要的是，它从未误为未经注册的人员解锁，在拒绝陌生人方面保持了完美的记录。
从检测到人员到门解锁或发出通知，整个过程平均耗时不到五秒。系统成功在约2.6秒内向业主手机发送了警报，而当业主在手机上按下解锁按钮时，门在不到一秒的时间内便开启了。研究结论指出，这种结合了本地人工智能与互联网连接的方式，为现代住宅安全提供了一种实用且低成本的解决方案。通过将识别住户、管理访客以及监控威胁的能力集成到一个紧凑的单元中，该原型机证明了即使不需要复杂的设施或昂贵的硬件，也能将先进的访问控制技术带入日常家庭。
技术摘要：集成人脸识别与智能门铃的智能门锁原型设计与实现
问题陈述
传统的住宅安全系统通常依赖物理钥匙或简单的访问卡，这些方式容易受到丢失、被盗和伪造的影响。虽然生物识别身份验证提供了更安全的替代方案，但现有的研究往往侧重于孤立的功能——例如生物识别身份验证、远程监控或智能门铃功能——而非将这些能力整合到一个统一的、智能的访问控制框架中。目前需要一种能够将非接触式用户识别、智能访客管理和远程访问控制结合在单一、具有成本效益的 AIoT（人工智能物联网）原型中的住宅系统。
方法论
作者设计并实现了一个以 Raspberry Pi 4B 为核心的智能门锁原型，集成了边缘人工智能与 IoT 云服务。系统架构由三个主要模块组成：
硬件与操作流程：
- 传感器与执行器： 系统利用被动红外（PIR）传感器进行运动检测，使用 Raspberry Pi 摄像头模块进行图像采集，通过一个按钮实现智能门铃功能，使用磁簧开关监测门的状态，并通过继电器控制电磁锁。
- 逻辑流： 检测到运动后，摄像头会捕获图像。如果识别出的面部为注册用户，门将自动解锁。如果是未识别用户，系统会提示访客按下门铃。如果按下按钮，系统会通过移动应用程序向房主发送通知，以进行远程授权。如果访客在 20 秒内未按下按钮，系统会将该事件标记为“可疑活动”并向房主发出警报。
边缘 AI 与人脸识别：
- 检测： 系统采用 YOLOv8n（You Only Look Once 第 8 版 nano）进行实时人脸检测，该模型因其适合边缘设备的轻量化架构而被选中。该模型在 WIDER FACE 数据集上进行了微调。
- 特征提取与验证： 检测到的面部由 FaceNet 处理，生成 512 维嵌入向量。身份验证通过将生成的向量与注册用户质心数据库进行余弦相似度比对来完成。
- 阈值设定： 通过受试者工作特征（ROC）分析和 Youden 指数确定了最佳决策阈值，以平衡真阳性和假阳性率。
云端与用户界面：
- 远程监控： Blynk 平台作为移动界面，用于实时状态监控、查看访客图像以及远程解锁门锁。
- 数据存储： 使用 Supabase Storage 存储未识别访客的图像，并生成用于在 Blynk 应用中展示的公共 URL。
核心贡献
- 统一的 AIoT 原型： 本研究展示了一个完全集成的系统，它结合了生物识别身份验证（人脸识别）、智能访客管理（可疑活动检测）和远程访问控制，解决了以往文献中功能碎片化的问题。
- 边缘 AI 实现： 系统成功地直接在 Raspberry Pi 4B 上部署了深度学习模型（YOLOv8n 和 FaceNet），证明了在无需依赖持续云端处理进行核心识别任务的情况下，进行本地推理的可行性。
- 行为逻辑： 实现了一种基于规则的机制，用以区分合法访客（按下门铃）和可疑人员（徘徊但不进行交互），从而在单纯的身份验证基础上增强了安全性。
实验结果
该原型使用包含 10 名参与者的检测数据集和 20 名参与者（10 名注册用户，10 名未注册用户）的识别数据集进行了评估。
- 人脸检测： YOLOv8n 模型在距离达 300 cm 时实现了 100% 的检测率。超过此距离后性能下降，在 400 cm 处检测率约为 45%。确定的最佳操作范围为 50–150 cm。
- 人脸识别： 使用 0.76 的余弦相似度阈值，系统实现了：
- 准确率 (Accuracy)： 92.44%
- 精确率 (Precision)： 100%
- 特异度 (Specificity)： 100%
- 召回率 (Recall)： 84.89%
- F1 分数 (F1-Score)： 91.83%
- 系统成功拒绝了所有未注册用户（0 个假阳性），同时正确识别了注册用户。
- 系统性能：
- 访问控制： 注册用户获得访问成功的概率为 91.11%。未注册用户被拒绝访问的概率为 100%。
- 响应时间： 访客通知的平均响应时间为 2.60 秒，远程解锁的平均响应时间为 0.90 秒。身份验证和访问决策的总系统响应时间保持在 5 秒以内。
意义与主张
作者声称，所提出的原型通过将基于人脸的身份验证与访客管理及远程功能相结合，为住宅访问控制提供了一种有效且可靠的解决方案。研究强调，该系统的 100% 精确度和特异度 对于住宅安全至关重要，因为这确保了不会有未经授权的用户进入，即使这可能会以略低的召回率（即拒绝部分注册用户）为代价。
本文将这项工作定位为一种实用的、低成本的 AIoT 解决方案，填补了独立生物识别系统与远程 IoT 监控之间的空白。作者指出，虽然其准确率（92.44%）略低于以往研究（此前研究报告为 94.4%–95%），但完全消除假阳性的特性使其非常适合安全应用，因为在这些应用中，防止未经授权的进入是首要任务。作者建议的未来工作包括在多样化的环境条件（光照、天气）下进行测试，以及集成防欺骗机制和备用电源。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。