【1】引言
前序学习进程中，做的是检测，只是能检测出来由人脸、猫脸和行人，相关文章链接为：
python学opencv|读取图像（七十一）使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的人脸检测-CSDN博客
python学opencv|读取图像（七十二）猫脸检测：使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的猫脸检测-CSDN博客
python学opencv|读取图像（七十三）行人检测：使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的行人检测-CSDN博客
更进一步，如果想在检测出来的人脸上识别出是谁的脸，就要用到人脸识别。
人脸识别的算法有三种，本次学习其中的EigenFaces算法。
【2】原理说明
人脸识别需要用到不同的算法，把算法理解成识别器。具体操作的时候，先挑选一种算法，然后使用这种算法进行训练，训练之后再去看识别效果。
【3】官网教程
首先点击下方链接，直达人脸识别的说明页官网教程：
OpenCV: Face Recognition with OpenCV
在这里，非常清晰地说明了当前有三种人脸识别算法：
++图1 人脸识别官网说明++
官网页面内容非常丰富，但学习需要抓主要内容，因此只要关注Eigenfaces就可以。
当然，细心的朋友肯定也发现了，这个页面提供了一些照片集，大家可以自行下载。
继续下拉会看到，关于Eigenfaces给出了背后的算法证明：
++图2 Eigenfaces算法证明++
实际上，如果不是做研究，这个算法说空也不用太过深究，因为主要的精力要放在实现好的人脸识别上。
在这个页面之后，给出了C++的案例，就不继续研究这个页面了，请点击下方链接直达新的页面：
OpenCV: cv::face::EigenFaceRecognizer Class Reference
这个新页面给出了在python中如何通过Eigenfaces算法创建进人脸识别器：
++图3 cv.face.EigenFaceRecognizer.create识别器++
具体的，cv.face.EigenFaceRecognizer.create识别器有两个参数：
cv.face.EigenFaceRecognizer.create(
num_components #可选参数，PCA（主成分分析）中保留分量的个数
threshold ) #可选参数，人脸识别的阈值
创建识别器之后，需要对图像进行训练，所以还要用一个函数cv.face.FaceRecognizer.train()来创建训练器，点击下方链接直达：
OpenCV: cv::face::FaceRecognizer Class Reference
++图4 用函数cv.face.FaceRecognizer.train()创建训练器++
具体的，cv.face.FaceRecognizer.train()训练器有两个参数：
cv.face.FaceRecognizer.train(
src #用来训练的样本图像，要求尺寸大小一致
labels ) #样本图像对应的标签
训练器训练完样本之后，可以使用cv.face.FaceRecognizer.predict()函数对待识别图像进行识别，点击下方链接，直达cv.face.FaceRecognizer.predict()函数的官网页面：
OpenCV: cv::face::FaceRecognizer Class Reference
具体的，cv.face.FaceRecognizer.predict()只有一个参数：
cv.face.FaceRecognizer.predict(
src #待识别图像，要求与训练样本尺寸一致
)
cv.face.FaceRecognizer.predict(src)会输出两个结果：
label：待测图像和样本图像最佳匹配时，对应的样本图像标签值
confidence：匹配置信度，小于5000认为匹配效果好，0表示完全一样。
【4】代码测试
此处进行代码测试：
首先是引入必要的模块，定义两个空列表，分别用来存储图像和图像对应的标签：
python
import cv2 as cv #引入cv2模块
import numpy as np #引入numpy模块
photos = [] #定义photo空列表,用来存储图像
labels = [] #定义lables空列表,用来存储图像对应的标签然后使用了3张图像作为样本来训练，这里要给出样本的存储地址：
python
# 定义图片路径列表
image_paths = [
r"D:\python\pythonworkspace\pythonProject3\zyz\01.jpg",
r"D:\python\pythonworkspace\pythonProject3\zyz\02.jpg",
r"D:\python\pythonworkspace\pythonProject3\zyz\03.jpg"
]为了把图像统一尺寸，需要先给定相关尺寸的约束条件：
python
#定义图像尺寸信息
width=600 #定义一个初始宽度量
height=800 #定义一个初始高度量
target_size = (width,height) #定义一个元组，存储宽度量和高度量
# 读取其余图片并调整尺寸
for path in image_paths[0:]:
img = cv.imread(path, 0)
if img is not None:
# 调整图像尺寸为与第一张图片相同
img = cv.resize(img, target_size)
photos.append(img)
labels.append(0)
else:
print(f"无法读取图片: {path}")图像尺寸统一完成之后，需要给这一组图像加一个标签：
python
#定义标签
names = {"0": "su"}然后创建人脸识别器：
python
# 创建人脸识别器
recognizer = cv.face.EigenFaceRecognizer.create()然后训练人脸识别器：
python
# 训练人脸识别器
if photos and labels:
recognizer.train(photos, np.array(labels)) #训练器读入人脸样本和对应标签之后就是把待测图像拿进来进行测试。
先读取图像：
python
# 读取测试图片
test_image_path = r"D:\python\pythonworkspace\pythonProject3\zyz\09.jpg"
test_img = cv.imread(test_image_path, 0)然后把图像尺寸修改成和样本统一的大小，之后就可以进行对比识别：
python
if test_img is not None:
# 调整测试图像尺寸与第一张图片一致
test_img = cv.resize(test_img, target_size)
label, confidence = recognizer.predict(test_img)对于识别效果，需要按照匹配度再次处理：
python
# 设定识别阈值
threshold = 5000 # 可根据实际情况调整
if confidence > threshold:
# 将灰度图转换为彩色图以便添加彩色文字
test_img_color = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)
# 添加未识别标记
cv.putText(test_img_color, "Unrecognized", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
output_img = test_img_color
else:
print(f'confidence={confidence}')
print(names[str(label)])
# 将灰度图转换为彩色图
output_img = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)最后是输出图像：
python
# 输出图像
cv.imshow('Result Image', output_img)
cv.waitKey(0)
cv.destroyAllWindows()
else:
print(f"无法读取测试图片: {test_image_path}")为了更好地理解，直接给出完整代码：
python
import cv2 as cv #引入cv2模块
import numpy as np #引入numpy模块
photos = [] #定义photo空列表,用来存储图像
labels = [] #定义lables空列表,用来存储图像对应的标签
# 定义图片路径列表
image_paths = [
r"D:\python\pythonworkspace\pythonProject3\zyz\01.jpg",
r"D:\python\pythonworkspace\pythonProject3\zyz\02.jpg",
r"D:\python\pythonworkspace\pythonProject3\zyz\03.jpg"
]
#定义图像尺寸信息
width=600 #定义一个初始宽度量
height=800 #定义一个初始高度量
target_size = (width,height) #定义一个元组，存储宽度量和高度量
# 读取其余图片并调整尺寸
for path in image_paths[0:]:
img = cv.imread(path, 0)
if img is not None:
# 调整图像尺寸为与第一张图片相同
img = cv.resize(img, target_size)
photos.append(img)
labels.append(0)
else:
print(f"无法读取图片: {path}")
#定义标签
names = {"0": "su"}
# 创建人脸识别器
recognizer = cv.face.EigenFaceRecognizer.create()
# 训练人脸识别器
if photos and labels:
recognizer.train(photos, np.array(labels)) #训练器读入人脸样本和对应标签
# 读取测试图片
test_image_path = r"D:\python\pythonworkspace\pythonProject3\zyz\09.jpg"
test_img = cv.imread(test_image_path, 0)
if test_img is not None:
# 调整测试图像尺寸与第一张图片一致
test_img = cv.resize(test_img, target_size)
label, confidence = recognizer.predict(test_img)
# 设定识别阈值
threshold = 5000 # 可根据实际情况调整
if confidence > threshold:
# 将灰度图转换为彩色图以便添加彩色文字
test_img_color = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)
# 添加未识别标记
cv.putText(test_img_color, "Unrecognized", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
output_img = test_img_color
else:
print(f'confidence={confidence}')
print(names[str(label)])
# 将灰度图转换为彩色图
output_img = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)
# 输出图像
cv.imshow('Result Image', output_img)
cv.waitKey(0)
cv.destroyAllWindows()
else:
print(f"无法读取测试图片: {test_image_path}")代码运行使用的训练样本均为女明星：
++图5 训练样本++
使用豆包AI生成的篮球明星进行识别，发现很好辨认出不是一个人：
图6 识别效果
【5】总结
掌握了python+opencv实现通过EigenFaces算法实现人脸识别的技巧。