Halloween/SOFTWARE.md

Erste Pi-Softwareversion

Diese Version implementiert ein Livebild des vorhandenen Camera Module 3 NoIR über Picamera2, eine lokale WebUI, Moduswahl mit Speicherung und eine Simulation des Effektablaufs. Sie steuert noch keine GPIOs, Motoren, Servos, Lampen oder Lautsprecher. Eine lokale SQLite-Datenbank speichert Testereignisse und Profilkennungen. Lokale Personenerkennung mit Linienauslösung ist implementiert, muss aber am Pi installiert und kalibriert werden. Profilzuordnung per Kamera, Clips und Maskierung sind noch nicht umgesetzt. Die 30-Tage-Löschung ist für künftige Auto-Profile vorbereitet. Daher vorerst nur im privaten Testbereich verwenden; die Kamera nicht auf öffentliche Flächen richten.

Auf dem Raspberry Pi 5 vorbereiten

Die Kamera mit passendem Kabel anschließen und mit rpicam-hello --list-cameras prüfen. Danach im Projektordner:

sudo apt update
sudo apt install python3-picamera2 python3-venv
python3 -m venv --system-site-packages .venv
.venv/bin/python -m pip install -r requirements.txt

Picamera2 wird über die Raspberry-Pi-Pakete installiert; die virtuelle Umgebung kann dieses Systempaket durch --system-site-packages verwenden. Der Server bindet nur an 127.0.0.1 auf dem Pi. So ist das Livebild nicht direkt im WLAN sichtbar.

WebUI beim Hochfahren starten

Nach der Vorbereitung kann tools/install_pi_service.sh auf dem Pi einen systemd-Dienst einrichten. Erst eine Vorschau ansehen, dann anwenden:

bash tools/install_pi_service.sh
bash tools/install_pi_service.sh --apply
systemctl status halloween-grab.service

Der Dienst läuft unter dem aktuellen Pi-Benutzer, startet run.py beim Hochfahren und wird bei einem Fehler neu gestartet. Das Skript benötigt für die Einrichtung sudo und überschreibt keine fremde Unit gleichen Namens. Nach Code-Updates kann derselbe --apply-Aufruf den Dienst neu starten. Zum Deaktivieren: sudo systemctl disable --now halloween-grab.service. Bei Startproblemen: sudo journalctl -u halloween-grab.service -n 80 --no-pager. Ein Browserfenster auf dem Laptop öffnet sich dadurch nicht automatisch.

Vom Laptop aus ansehen

Mit dem geprüften Pi-Benutzer und Hostnamen ein SSH-Terminal offen lassen:

ssh -L 8000:127.0.0.1:8000 BENUTZER@HOST

Dann auf dem Laptop http://127.0.0.1:8000 öffnen. Ein SSH-Passwort reicht; ein Schlüssel ist nicht nötig. Ist Port 8000 auf dem Laptop belegt, links vom ersten Doppelpunkt einen anderen freien Port wählen; rechts bleibt der Pi-Port 8000, solange run.py dort mit dem Standardport läuft.

Direkt im Heimnetz ansehen

Auf Nutzerwunsch ist für den aktuellen Test auch direkter Zugriff im Heimnetz vorgesehen. Dafür auf dem Pi den laufenden Server mit Strg+C beenden und im Ordner ~/halloween starten:

.venv/bin/python -m uvicorn halloween.web:create_app --factory --host 0.0.0.0 --port 8000

Auf dem Laptop anschließend http://raspi5wlan.local:8000 öffnen; kein SSH-Tunnel nötig. 0.0.0.0 ist die Bind-Adresse, keine Browseradresse. Die WebUI hat noch keinen Login: Geräte im erreichbaren Heimnetz können Kamera und Bedienoberfläche nutzen. Eine öffentliche Internetfreigabe ist damit nicht beauftragt. Direkter Browserzugriff im Heimnetz ist noch nicht bestätigt. run.py und der bisherige systemd-Dienst bleiben bei Loopback.

Ohne Kamera testen

Auf einem Rechner mit den Paketen aus requirements.txt:

python3 run.py --demo

Die Bildfläche trägt deutlich „DEMO – KEINE ECHTE KAMERA“. Über „Bereich frei (Test)“ und danach „Testauslösung“ lässt sich die Zustandsfolge ohne Aktoren durchspielen. „Stopp“ sperrt weitere Auslösungen bis „Zurücksetzen“ und erneuter Freigabe des Bereichs. Der Modus „voller Schreck“ ist nur bei noch nicht vorhandenen Einstellungen der Standard. Ein WebUI-Wechsel wird unter data/settings.json gespeichert und bleibt bei normalem Neustart erhalten. Das Uploadskript überträgt diesen Laufzeitordner nicht.

Ereignisdatenbank und Profile

Beim Start wird data/events.sqlite3 angelegt. Erfolgreiche manuelle Testauslösungen werden mit Zeitpunkt und Modus gespeichert und in der WebUI aufgelistet. Profilkennungen lassen sich anlegen, Ereignissen zum Testen zuordnen und wieder löschen. Beim Löschen eines Profils bleibt das Ereignis ohne Zuordnung erhalten. Die Daten bleiben bei einem Neustart und bei weiteren Uploads bestehen, weil das Uploadskript data/ auslässt.

Der Nutzer wünscht später automatische Wiedererkennung per Kamera. Diese Version erstellt noch keine Profile aus Kamerabildern und speichert keine Bilder, Gesichtsmerkmale oder Clips aus Kamerabildern in der Datenbank. Für künftig automatisch erstellte Profile sind Merkmalsvektoren und eine 30-Tage-Frist ab letzter Sichtung vorbereitet. Beim Start, stündlich und beim Lesen der Ereignisse/Profile werden abgelaufene Auto-Profile mitsamt Merkmalsvektoren entfernt. Manuelle Profile bleiben bis zur manuellen Löschung bestehen; Ereignisse bleiben ohne Profilzuordnung erhalten. Eine echte Zuordnung braucht noch Kameratests und eine Prüfung von Fehlzuordnungen.

Lokal prüfen

Für die Webtests zusätzlich httpx installieren:

.venv/bin/python -m pip install -r requirements-dev.txt
.venv/bin/python -m unittest discover -s tests -v

Der Host-Test prüft Demo-Bild und Webendpunkte. Kamera, Nachtbild, WLAN, SSH-Tunnel und GPIOs müssen am echten Pi bzw. Aufstellort geprüft werden.

Technische Grundlagen: Picamera2-Handbuch, FastAPI-StreamingResponse.

Personenerkennung und Linienauslösung

Nach Übertragung des aktuellen Codes im Projektordner auf dem Pi installieren:

cd ~/halloween
sudo apt update
sudo apt install python3-opencv python3-numpy
python3 -m venv --system-site-packages .venv
.venv/bin/python -c "import cv2, numpy; print(cv2.__version__, cv2.__file__); print(numpy.__version__)"
.venv/bin/python tools/install_detection_model.py

Das Skript lädt ausschließlich das unquantisierte Modell object_detection_nanodet_2022nov.onnx des offiziellen OpenCV Zoo. Version, URL, Größe und SHA-256 stehen in halloween/nanodet-model.json. Das Modell liegt unter data/models/; ein bestehendes korrektes Modell wird nicht erneut geladen. Download erfolgt nur auf diesen ausdrücklichen Aufruf, HTTPS-Zertifikatsprüfung bleibt aktiv. Der Server lädt nichts aus dem Internet. Bei abweichendem HALLOWEEN_STATE_DIR diesen beim Installer ebenfalls setzen oder --state-dir angeben. Modellgewichte bleiben unversioniert und werden nicht vom Upload überschrieben. Auf dem Pi das fertige Systempaket verwenden; Picamera2 bleibt ebenfalls das Raspberry-Pi-Systempaket. OpenCV muss mindestens 4.10 sein; die tatsächliche installierte Version und Inferenz am Pi prüfen. Für andere Entwicklungsrechner kann requirements-detection.txt genutzt werden: Es erlaubt ausschließlich fertige Wheels und bricht ohne passende Pakete ab. Ein vorheriger pip-Installationsversuch kann lokale Pakete hinterlassen, die Systempakete überdecken; bei Importfehlern die ausgegebenen Pfade prüfen.

Server anschließend wie oben starten. In der Liveansicht:

1. Orange Linienendpunkte und die zwei grünen Bereichsecken ziehen. Die Linie muss vollständig innerhalb des Rechtecks liegen. Außerhalb des privaten Testbereichs darf die Auslösung nicht eingerichtet werden.
2. Mit „Richtung umkehren“ den Pfeil zum Grab ausrichten.
3. „Automatisch auslösen“ auswählen und „Linie und Bereich speichern“ drücken.
4. Mindestens zwei Sekunden den gesamten Bereich freihalten. Danach auf der Ankunftsseite beginnen und über die Linie zum Grab gehen.

Zunächst bleibt die automatische Auslösung aus. Gespeicherte Konfiguration und Aktivierung bleiben nach normalem Neustart erhalten, aber die Bereichsfreigabe und Tracking-IDs werden immer neu aufgebaut. Bei ungültiger Konfiguration bleibt die Automatik aus; der Fehler wird angezeigt.

Es werden nur Personen ausgewertet (Startschwelle 0,6). Mindestens drei aufeinanderfolgende Erkennungen bestätigen einen Track. Der Fußpunkt ist die Mitte der unteren Rahmenkante. Er muss von der Ankunftsseite über das endliche Liniensegment auf die Grabseite wechseln, jeweils mindestens 3 % der Bildhöhe von der Linie entfernt. Kurz auftauchende Personen hinter der Linie, Rückwege, Bewegung entlang der Linie und Überquerungen außerhalb des Segments lösen nichts aus. Verdeckung oder zu schnelles Überqueren kann zur Nichterkennung führen; die Startwerte sind praktisch zu kalibrieren.

Eine Gruppe erhält einen Effekt: Nach Auslösung sind zehn Sekunden Sperrzeit und mindestens zwei Sekunden freier Auslösebereich nötig. Auch unbestätigte Personenrahmen im Rechteck verhindern die Freigabe. Überquerungen während Sperre werden verworfen. Start, Moduswechsel, Rücksetzen und Änderungen der Konfiguration verlangen erneut einen freien Bereich. Stopp bleibt wirksam; ein manueller Testbutton umgeht keine Fehlersperre.

Kamera-/Modellfehler und mehr als zwei Sekunden ohne gültige Auswertung sperren die aktivierte Automatik und stoppen den simulierten Ablauf. Nach Beheben des Fehlers „Nach Stopp zurücksetzen“ verwenden und Bereich freihalten. Modellprobleme bei deaktivierter Automatik verhindern keine manuellen Tests. Demo braucht weder OpenCV noch Modell; ihre synthetischen Bilder sind kein Test der echten Personenerkennung.

Die Auswertung arbeitet im Hintergrund mit dem jeweils neuesten Bild, Ziel fünf Auswertungen/s. Die UI zeigt die gemessene Verarbeitungsrate. Bei Erkennungsergebnissen zeigt sie das zugehörige Bild statt des unabhängigen MJPEG-Bildes, damit Rahmen und Bild zusammenpassen. Nach zwei Sekunden sind Ergebnisse veraltet und die Rahmen verschwinden. Ohne Erkennungsbild bleibt der normale MJPEG-Stream verfügbar. /api/detection liefert Frame-Nummer, JPEG als Base64, normierte Personenrahmen, flüchtige Tracking-IDs und Status; GET/POST /api/detection/config liest/speichert Aktivierung, Linie, Richtung und Rechteck. POST benötigt wie andere Schreibaufrufe X-Halloween-UI: 1. /api/status enthält zusätzlich detection. Der Header ersetzt keinen Login.

Automatische Auslösungen werden als person_line_crossing ohne Profil in der bestehenden Datenbank gespeichert. Weder Kamerabilder noch Tracking-IDs werden automatisch gespeichert; Profil-Wiedererkennung und Altersentscheidung fehlen. Aktoren bleiben ausschließlich simuliert.

Abnahme am echten Pi (noch offen)

• Angezeigte Rate und Reaktionsverzögerung prüfen; Livebild und Stopp müssen bedienbar bleiben. Zehn Annäherungen und zehn Rückwege ausprobieren.
• Gruppe, Verdeckung, Stehenbleiben, Linie entlanggehen, Neustart mit Person im Bereich sowie Kamera-/Erkennungsausfall und bewusstes Rücksetzen testen.
• Danach Kostüme, tatsächliche Dunkelheit und IR-Beleuchtung am Aufstellort testen. Nachtbetrieb und Zuverlässigkeit sind noch nicht bestätigt.

Modellgrundlage: OpenCV Zoo NanoDet.

Optionaler echter Modell-Smoke-Test auf einem Rechner mit OpenCV und Modell:

HALLOWEEN_TEST_MODEL="$PWD/data/models/object_detection_nanodet_2022nov.onnx" .venv/bin/python -m unittest discover -s tests -v

Ohne diese Variable wird nur der optionale Modell-Smoke-Test übersprungen; die Linien-/API-/Installer-Tests benötigen weder Modell noch OpenCV.