3、开发环境搭建：硬件选型（树莓派/Jetson/PC）、操作系统、Python环境与依赖库安装

智能安防摄像头的本地识别与告警联动，本质上是一个边缘计算系统的工程落地。开发环境的搭建质量直接决定了后续模型训练、推理部署和系统调试的效率。本章将围绕硬件选型、操作系统配置、Python 环境管理以及核心依赖库安装四个维度展开，帮助你在项目启动阶段就建立起一个稳定、可扩展且便于排障的开发底座。

3.1 硬件选型：三种主流方案的对比与决策

智能安防摄像头项目对硬件的要求集中在三个方面：图像采集能力（CSI/USB 接口）、本地推理算力（运行轻量级模型如 YOLO、MobileNet）、外设扩展性（GPIO、PWM、网络接口）。树莓派、Jetson 系列和普通 PC 分别代表了低成本入门、边缘 AI 加速和高性能开发三个梯度。

在课程项目中，我们推荐树莓派 4B（8GB 版本）作为首选开发板，原因在于：其 CSI 摄像头接口稳定、GPIO 可直接驱动告警灯和蜂鸣器、社区有大量安防项目参考。若后续需要部署更复杂的检测模型（如多人脸识别、行为分析），可平滑迁移到 Jetson Orin Nano 平台。

3.2 操作系统安装与基础配置

操作系统是硬件与软件之间的桥梁。对于树莓派，官方推荐 Raspberry Pi OS (64-bit)，基于 Debian 12，内核版本 6.1+，对 CSI 摄像头和 GPIO 驱动支持最完善。对于 Jetson 平台，则需要安装 JetPack 5.x，它包含了 Ubuntu 20.04 的定制版、CUDA、cuDNN 和 TensorRT 预编译库。

3.2.1 树莓派系统烧录与初始化

使用 Raspberry Pi Imager 工具烧录系统镜像，写入前建议预配置 SSH、WiFi 和用户名密码。烧录完成后，首次开机执行以下初始化操作：

# 更新软件源和系统
sudo apt update && sudo apt upgrade -y

# 启用摄像头和 I2C 接口
sudo raspi-config
# 选择 Interface Options → Camera → Enable
# 选择 Interface Options → I2C → Enable

# 安装基础工具
sudo apt install -y git curl wget cmake build-essential

3.2.2 Jetson 平台 JetPack 安装要点

Jetson 的刷机需要一台 Ubuntu 主机，通过 SDK Manager 完成。刷机后务必验证 CUDA 和 TensorRT 是否可用：

# 验证 CUDA
nvcc --version
# 验证 TensorRT
python3 -c "import tensorrt; print(tensorrt.__version__)"

3.3 Python 虚拟环境与依赖库安装

Python 环境隔离是保证项目可复现的关键。我们使用 venv 创建独立环境，避免系统级 Python 被污染。对于树莓派和 Jetson，Python 3.9 是默认版本，完全满足本项目需求。

3.3.1 创建虚拟环境

# 安装 venv 支持
sudo apt install -y python3-venv python3-pip

# 创建项目目录并进入
mkdir ~/smart_camera && cd ~/smart_camera

# 创建虚拟环境
python3 -m venv venv

# 激活环境
source venv/bin/activate

# 升级 pip 并配置国内镜像（可选）
pip install --upgrade pip
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

3.3.2 核心依赖库清单

根据项目功能模块，我们将依赖库分为四类：图像采集、图像处理、深度学习推理、辅助工具。以下是在树莓派上验证过的版本组合：

3.3.3 验证安装是否成功

安装完成后，运行以下测试脚本，确保摄像头、OpenCV 和 GPIO 均能正常工作：

import cv2
import numpy as np
from picamera2 import Picamera2

# 初始化摄像头
picam2 = Picamera2()
picam2.configure(picam2.create_preview_configuration(main={"size": (640, 480)}))
picam2.start()

# 采集一帧图像
frame = picam2.capture_array()
print(f"图像尺寸: {frame.shape}")

# 转换为 OpenCV 格式 (RGB -> BGR)
frame_bgr = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)

# 显示图像
cv2.imshow("Camera Test", frame_bgr)
cv2.waitKey(1000)
cv2.destroyAllWindows()
picam2.stop()
print("摄像头测试通过")

3.4 实战案例：从零搭建一个可运行的安防摄像头原型

下面我们通过一个完整的案例，将上述环境搭建过程串联起来。假设我们需要实现一个“检测到人形后点亮 LED 并拍摄照片”的最小闭环。

3.4.1 案例背景与目标

某实验室需要监控门口区域，要求：当检测到人形时，板载 LED 闪烁 3 次，并保存一张带时间戳的照片到本地。硬件为树莓派 4B + 官方 CSI 摄像头 + 面包板 LED。

3.4.2 实施步骤

1. 硬件连接：将 LED 正极通过 220Ω 电阻连接到 GPIO 17，负极接地。
2. 编写检测脚本：使用 OpenCV 的 HOG 人形检测器（无需训练模型，适合原型验证）。
3. 集成 GPIO 控制：检测到人形时，循环点亮/熄灭 LED 3 次。
4. 保存证据图片：使用 datetime 生成文件名，保存 JPEG 格式。

import cv2
import time
import datetime
import RPi.GPIO as GPIO
from picamera2 import Picamera2

# GPIO 初始化
LED_PIN = 17
GPIO.setmode(GPIO.BCM)
GPIO.setup(LED_PIN, GPIO.OUT)

# 摄像头初始化
picam2 = Picamera2()
picam2.configure(picam2.create_preview_configuration(main={"size": (640, 480)}))
picam2.start()

# HOG 人形检测器
hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())

try:
    while True:
        frame = picam2.capture_array()
        frame_bgr = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)
        
        # 检测人形
        (rects, _) = hog.detectMultiScale(frame_bgr, winStride=(4, 4), padding=(8, 8), scale=1.05)
        
        if len(rects) > 0:
            print(f"[{datetime.datetime.now()}] 检测到 {len(rects)} 个人形")
            
            # LED 闪烁 3 次
            for _ in range(3):
                GPIO.output(LED_PIN, GPIO.HIGH)
                time.sleep(0.2)
                GPIO.output(LED_PIN, GPIO.LOW)
                time.sleep(0.2)
            
            # 保存图片
            filename = f"capture_{datetime.datetime.now().strftime('%Y%m%d_%H%M%S')}.jpg"
            cv2.imwrite(filename, frame_bgr)
            print(f"图片已保存: {filename}")
            
            time.sleep(2)  # 避免连续触发
        
        time.sleep(0.1)

except KeyboardInterrupt:
    print("程序终止")
finally:
    picam2.stop()
    GPIO.cleanup()

3.4.3 案例复盘与优化方向

该原型在树莓派 4B 上运行稳定，CPU 占用率约 45%，检测帧率约 3 FPS。实际部署时发现两个问题：一是 HOG 检测器对遮挡和暗光环境误检率较高；二是 GPIO 闪烁期间摄像头采集被阻塞，导致画面卡顿。优化方案包括：将检测线程与 GPIO 控制线程分离，使用 threading 模块；将 HOG 替换为经过 TensorRT 量化的 YOLOv5s 模型，帧率可提升至 15 FPS 以上。

3.5 常见误区与总结复盘

在开发环境搭建过程中，初学者最容易犯以下错误，需要特别注意规避：

• 误区一：使用 32 位系统。树莓派官方曾默认推荐 32 位系统，但 OpenCV、PyTorch 等库对 64 位 ARM 优化更好，且内存寻址空间更大。务必选择 64 位系统。
• 误区二：忽略交换分区配置。树莓派默认交换分区仅 100MB，编译 OpenCV 或运行大模型时容易 OOM。建议将 /etc/dphys-swapfile 中的 CONF_SWAPSIZE 改为 2048。
• 误区三：直接使用系统 Python 安装库。这会导致依赖冲突，且系统升级时可能破坏环境。必须使用虚拟环境。
• 误区四：摄像头接口接反。CSI 排线的金属触点应朝向 PCB 板（有蓝色标签的一面朝外），接反会导致摄像头无法识别。

总结来说，一个健壮的开发环境应当具备三个特征：硬件驱动可验证（摄像头、GPIO 均有测试脚本）、Python 依赖可复现（使用 requirements.txt 锁定版本）、性能基线可量化（记录推理帧率和 CPU 占用率）。建议在项目初期就编写一个 environment_check.py 脚本，一键输出所有关键组件的状态信息，这将为后续调试节省大量时间。