feat(vision): YOLO 人脸/姿态识别与手势控制（后端推理）

- vision_yolo：yolov8n-face 人脸检测 + yolov8n-pose 姿态估计（torch/ultralytics，懒加载常驻）
- 单帧几何特征：举手（腕高过肩）与举拳（前臂上举收胸前），返回 raised/fists
- POST /api/vision/frame：前端抽帧 JPEG → 推理 → {faces, pose, raised, fists, latency_ms}，线程池执行
- POST /api/vision/event：状态上报，triggered 时经 MQTT 广播 alert
- 模型入库：backend/models/yolov8n-face.pt + yolov8n-pose.pt
- 前端 hook 改为网络版：抽帧→POST→状态机（面向10s问候/举手toggle对话），含亮度/耗时/链路诊断

backend/app/routers.py

@@ -387,3 +387,42 @@ async def sse_events(request: Request):
             bus.unsubscribe(q)
 
     return StreamingResponse(gen(), media_type="text/event-stream")
+
+
+# ==================== 视觉识别事件上报（前端摄像头实时识别 → 后端日志/MQTT） ====================
+class VisionEventBody(BaseModel):
+    event: str                      # camera_on|camera_off|detecting|facing|triggered|silent|error|model_error
+    faces: int = 0
+    dwell_ms: int = 0
+    detail: str = ""
+
+@router.post("/api/vision/event")
+async def vision_event(body: VisionEventBody):
+    """前端摄像头识别状态/触发上报；后端记录详细日志，triggered 时广播 alert 到全屏。"""
+    log.info(
+        "vision event=%s faces=%d dwell_ms=%d detail=%s",
+        body.event, body.faces, body.dwell_ms, body.detail,
+    )
+    if body.event == "triggered":
+        hub.publish_command("alert", {"text": "有访客正对屏幕，语音助手已主动问候", "faces": body.faces})
+        log.info("vision triggered -> alert 已广播（faces=%d）", body.faces)
+    return {"ok": True}
+
+
+# ==================== YOLO 人脸检测（前端抽帧 → 后端推理） ====================
+class VisionFrameBody(BaseModel):
+    image: str = ""      # JPEG base64（不含 data: 前缀）
+    conf: float = 0.0    # 可选：覆盖置信度阈值
+
+@router.post("/api/vision/frame")
+def vision_frame(body: VisionFrameBody):
+    """接收前端抽帧 JPEG base64，后端 YOLO 推理返回人脸框（faces/boxes/latency_ms）。
+
+    普通 def 由 FastAPI 线程池执行（推理约 100-200ms），不阻塞事件循环。
+    """
+    img_b64 = (body.image or "").strip()
+    if not img_b64:
+        log.warning("vision frame: 缺少 image")
+        return {"ok": False, "error": "missing image"}
+    from .vision_yolo import predict_base64
+    return predict_base64(img_b64)