opencv学习：人脸识别器特征提取BPHFaceRecognizer_create算法的使用

BPHFaceRecognizer_create算法

在OpenCV中，cv2.face.LBPHFaceRecognizer_create()函数用于创建一个局部二值模式直方图（Local Binary Patterns Histograms，简称LBPH）人脸识别器。LBPH是一种用于人脸识别的特征提取方法，它结合了局部二值模式（LBP）和直方图的概念，以生成一个对光照变化和遮挡具有一定鲁棒性的特征表示。

参数threshold=80是这个函数的一个可选参数，它指定了在人脸识别过程中使用的决策阈值。这个阈值用于确定一个预测是否足够可靠，即当预测的置信度高于这个阈值时，预测被认为是可靠的。置信度是一个介于0到100之间的值，表示识别器对其预测的信心水平。如果置信度低于阈值，预测可能被认为是不确定的。

下面是对cv2.face.LBPHFaceRecognizer_create(threshold=80)的详细解释：

• cv2.face：这是OpenCV库中的一个模块，专门用于人脸识别任务。

• LBPHFaceRecognizer_create：这是cv2.face模块中的一个函数，用于创建一个LBPH人脸识别器对象。

• threshold=80：这是一个命名参数，用于设置置信度阈值。在这个例子中，阈值被设置为80，这意味着只有当预测的置信度高于80%时，预测才会被认为是可靠的。

创建LBPH人脸识别器后，你可以使用train方法来训练它，使用训练好的图像和对应的标签。训练完成后，你可以使用predict方法来预测新图像中的人脸属于哪个类别。

代码步骤

使用灰度模式读取图像并添加到列表中,并创建一个标签列表，与图像列表对应（最好选取头像照片）

import cv2  # 导入OpenCV库

# 初始化一个空列表来存储图像
images = []

# 使用灰度模式读取图像并添加到列表中
# cv2.IMREAD_GRAYSCALE 标志确保图像以灰度模式读取
images.append(cv2.imread('hg1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hg2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hjh1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hjh2.png', cv2.IMREAD_GRAYSCALE))

# 创建一个标签列表，与图像列表对应
labels = [0, 0, 1, 1]

# 创建一个字典来映射标签到对应的类别名称
dic = {0: "hg", 1: "hjh", -1: 'error'}

读取要预测的图像，同样使用灰度模式

# 读取要预测的图像，同样使用灰度模式
predict_image = cv2.imread('hg.png', cv2.IMREAD_GRAYSCALE)

创建一个LBPH人脸识别器对象,使用训练好的识别器预测要预测的图像的标签和置信度

# 创建一个LBPH人脸识别器对象
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# 使用图像列表和标签列表训练识别器
recognizer.train(images, np.array(labels))

# 使用训练好的识别器预测要预测的图像的标签和置信度
label, confidence = recognizer.predict(predict_image)

# 打印预测结果和置信度
# 使用字典来获取对应的类别名称
print('这人是', dic[label])
print('置信度', confidence)

运行结果

完整代码

import cv2  # 导入OpenCV库

# 初始化一个空列表来存储图像
images = []

# 使用灰度模式读取图像并添加到列表中
# cv2.IMREAD_GRAYSCALE 标志确保图像以灰度模式读取
images.append(cv2.imread('hg1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hg2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hjh1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hjh2.png', cv2.IMREAD_GRAYSCALE))

# 创建一个标签列表，与图像列表对应
labels = [0, 0, 1, 1]

# 创建一个字典来映射标签到对应的类别名称
dic = {0: "hg", 1: "hjh", -1: 'error'}

# 读取要预测的图像，同样使用灰度模式
predict_image = cv2.imread('hg.png', cv2.IMREAD_GRAYSCALE)

# 创建一个LBPH人脸识别器对象
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# 使用图像列表和标签列表训练识别器
recognizer.train(images, np.array(labels))

# 使用训练好的识别器预测要预测的图像的标签和置信度
label, confidence = recognizer.predict(predict_image)

# 打印预测结果和置信度
# 使用字典来获取对应的类别名称
print('这人是', dic[label])
print('置信度', confidence)

局限性：

1. 对光照变化敏感：Haar特征对人脸的光照条件非常敏感，光照的不均匀或变化可能导致检测失败。

2. 遮挡问题：当人脸被遮挡，例如戴墨镜或口罩时，检测的准确性会受到影响。

3. 姿态变化：对于侧脸或者姿态变化较大的人脸，检测效果可能不佳。

4. 计算资源消耗：虽然级联分类器设计得相对高效，但在处理高分辨率图像或视频时，尤其是在实时应用中，可能需要较多的计算资源。

5. 训练过程复杂：创建Haar级联分类器需要大量的正负样本进行训练，这个过程可能需要大量的计算资源和时间。

6. 特征描述能力有限：Haar特征对复杂形状和纹理的描述能力有限，容易受到遮挡和噪声的影响。

7. 参数调整困难 ：detectMultiScale方法的性能受到多个参数的影响，如scaleFactor和minNeighbors，这些参数需要根据具体应用场景进行调整，以达到最佳效果。

8. 误检和漏检：在复杂场景中，如多人脸、相似背景等情况下，可能会出现误检或漏检的情况。

9. 对图像质量要求较高：对于模糊或分辨率较低的图像，检测质量会下降。