OpenCV三大传统人脸识别算法：EigenFace、FisherFace与LBPH实战

系列 ：OpenCV 机器视觉实战系列
关键词：EigenFace、FisherFace、LBPH、PCA、LDA、人脸识别、OpenCV face 模块

---

一、为什么要学传统人脸识别？

深度学习大行其道的今天，OpenCV 内置的三种传统人脸识别算法依然有其不可替代的价值：

• 零依赖 ：仅需 opencv-contrib-python，无需 GPU、无需大模型
• 极少样本 ：每人 2~3 张图 即可训练，适合小场景快速部署
• 实时识别：训练 + 识别延迟均在毫秒级
• 原理透明：PCA / LDA / LBP 均有清晰数学基础，便于调参

本文将结合实战代码，深度解析三种算法，并与前序文章中的 Haar 级联分类器 和 dlib HOG 检测器 进行全维度对比。

---

二、算法流程总览

三种算法共享相同的 API 框架：创建识别器 → 训练 → 预测，但内部特征提取逻辑截然不同。

算法	核心思路	是否需统一尺寸	置信度可靠区
EigenFace	PCA 全局降维	是（120×180）	< 5000
FisherFace	PCA + LDA 判别分析	是（120×128）	< 5000
LBPH	局部二值模式直方图	否	< 80

---

三、EigenFace：特征脸算法

3.1 核心原理

EigenFace 将人脸图像视为高维向量，通过 PCA（主成分分析） 找到数据方差最大的方向------即"特征脸"。识别时将待测图像投影到低维特征空间，再做最近邻匹配。

数学核心：

协方差矩阵 C = (1/N) * 求和[(xi - 均值)(xi - 均值)^T]
提取前 k 个特征向量 → 特征脸基底
投影系数 w = V^T * (x - 均值)
识别：argmin ||w_test - w_i||^2

3.2 关键代码解析

Step 1：准备训练数据（统一尺寸不可省略）

import cv2
import numpy as np

images = []
# EigenFace 要求所有训练图像尺寸一致
a = cv2.imread('handou1.jpg', 0)
a = cv2.resize(a, (120, 180))   # 宽×高
b = cv2.imread('handou2.jpg', 0)
b = cv2.resize(b, (120, 180))
c = cv2.imread('lxl1.jpg', 0)
c = cv2.resize(c, (120, 180))
d = cv2.imread('lxl2.jpg', 0)
d = cv2.resize(d, (120, 180))

images = [a, b, c, d]
labels = [0, 0, 1, 1]  # 0=handou, 1=lixiaolong

注意 ：cv2.resize(img, (width, height))，参数顺序是宽×高，与 NumPy shape 的行×列相反。

Step 2：创建识别器并训练

# num_components: PCA 保留的主成分数，默认根据数据自动决定
# threshold: 置信度超过此值则判为"不认识"，返回 label=-1
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=7600)
recognizer.train(images, np.array(labels))

Step 3：预测并标注结果

pre_image = cv2.imread('hd.jpg', 0)
pre_image = cv2.resize(pre_image, (120, 180))  # 测试图同样需要统一尺寸

label, confidence = recognizer.predict(pre_image)
dic = {0: 'handou', 1: 'lixiaolong', -1: 'Unknown'}
print(f'识别结果：{dic[label]}，置信度：{confidence:.1f}')
# 置信度说明：值越小越匹配，< 5000 为可靠，> threshold 则返回 -1

# 在图像上标注
result = cv2.putText(cv2.imread('hd.jpg').copy(),
                     dic[label], (10, 30),
                     cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('EigenFace 识别结果', result)
cv2.waitKey(0)

3.3 适用场景与局限

• 适用：光照均匀、正脸、背景简单的受控环境
• 局限：对光照变化、姿态变化极为敏感；训练图像必须统一尺寸

---

四、FisherFace：Fisher 判别脸

4.1 核心原理

FisherFace 在 EigenFace 的 PCA 降维基础上，额外引入 LDA（线性判别分析），最大化类间散度、最小化类内散度，使不同人的投影距离更大、同一人的更小。

LDA 目标：最大化 J(W) = |W^T * S_b * W| / |W^T * S_w * W|
S_b = 类间散度矩阵（Between-class Scatter）
S_w = 类内散度矩阵（Within-class Scatter）

与 EigenFace 的本质区别 ：EigenFace 保留数据整体方差最大的方向（可能混入类内变化）；FisherFace 专门找区分不同人最有效的方向，对光照变化更鲁棒。

4.2 关键代码解析

封装图像读取（函数化）

import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont

def image_re(image_path):
    """读取灰度图并统一尺寸"""
    img = cv2.imread(image_path, 0)
    img = cv2.resize(img, (120, 128))  # FisherFace 使用 120×128
    images.append(img)

images = []
for path in ['handou1.jpg', 'handou2.jpg', 'lxl1.jpg', 'lxl2.jpg']:
    image_re(path)
labels = [0, 0, 1, 1]

创建识别器（FisherFace 至少需要 2 个类别）

# 注意：FisherFace 的训练样本必须包含 >= 2 个不同标签
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=5000)
recognizer.train(images, np.array(labels))

预测 + 中文标注

pre_image = cv2.imread('hd.jpg', 0)
pre_image = cv2.resize(pre_image, (120, 128))
label, confidence = recognizer.predict(pre_image)

dic = {0: '憨豆', 1: '李小龙', -1: '无法识别'}
print(f'识别结果：{dic[label]}，置信度：{confidence:.1f}')

def cv2_add_chinese_text(img, text, position, color=(0, 255, 0), size=30):
    """使用 PIL 在 OpenCV 图像上叠加中文"""
    if isinstance(img, np.ndarray):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    font = ImageFont.truetype("simsun.ttc", size, encoding="utf-8")
    draw.text(position, text, color, font=font)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGRA)

result = cv2_add_chinese_text(cv2.imread('hd.jpg').copy(),
                               dic[label], (30, 10), textColor=(0, 0, 255))
cv2.imshow('FisherFace 识别结果', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

中文标注技巧 ：OpenCV 原生 putText 不支持中文，通过 PIL 绘制中文后转回 OpenCV 格式是最常见解法。

---

五、LBPH：局部二值模式直方图

5.1 核心原理

LBPH 放弃全局特征，转而提取局部纹理。核心思想：对每个像素，比较其 8 邻域与中心像素大小，得到一个 8 位二进制码（LBP 码），再统计整幅图中各 LBP 码出现的频次直方图作为人脸描述符。

LBP 编码步骤：

对每个中心像素 p(x,y)：
  1. 读取 8 邻域像素值
  2. 与中心值比较：≥ center → 1，< center → 0
  3. 顺时针拼接 8 个 bit → 十进制 LBP 码（0~255）
将图像划分为 8×8 网格（Cell）
统计每个 Cell 的 256 维直方图
串联所有 Cell 直方图 → 最终描述符

5.2 关键代码解析

准备数据（无需统一尺寸，是 LBPH 最大优势）

import cv2
import numpy as np

images = []
images.append(cv2.imread('handou1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('handou2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('lxl1.jpg',   cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('lxl2.jpg',   cv2.IMREAD_GRAYSCALE))
labels = [0, 0, 1, 1]
dic = {0: 'handou', 1: 'lxl', -1: '无法识别'}

创建 LBPH 识别器

# radius:  LBP 采样圆半径（默认1）
# neighbors: 采样点数（默认8）
# grid_x/y: 水平/垂直 Cell 划分数（默认8）
# threshold: 置信度阈值，> 80 视为不认识
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)
recognizer.train(images, np.array(labels))

预测

predict_image = cv2.imread('hd.jpg', cv2.IMREAD_GRAYSCALE)
label, confidence = recognizer.predict(predict_image)
print(f'识别结果：{dic[label]}')
print(f'置信度：{confidence:.2f}  （< 80 为可靠，越小越匹配）')

置信度注意 ：LBPH 的置信度是直方图之间的卡方距离，量纲与 EigenFace/FisherFace 完全不同，不可相互比较。

5.3 优势总结

LBPH 在三种算法中综合表现最佳：

• 无需统一图像尺寸，部署最灵活
• 局部特征对光照、表情变化更鲁棒
• 可增量训练 ：recognizer.update(new_images, new_labels) 无需重训
• 置信度直观：< 80 即可信，调参简单

---

六、五技术全维度对比（含 Haar / dlib）

前序博客介绍了 Haar 级联分类器（人脸检测 ）和 dlib HOG 检测器（人脸检测 ），本文三种算法解决的是人脸识别（"这是谁？"）问题。两者在流程上串联使用：

输入视频帧
    ↓
人脸检测（Haar / dlib HOG）→ 找到人脸位置
    ↓
人脸识别（EigenFace / FisherFace / LBPH）→ 判断是谁
    ↓
输出姓名 + 置信度

关键差异深度解析

检测 vs 识别

	Haar 级联	dlib HOG	EigenFace	FisherFace	LBPH
解决问题	人脸在哪？	人脸在哪？	这是谁？	这是谁？	这是谁？
输出	人脸矩形框	人脸矩形框	标签 + 置信度	标签 + 置信度	标签 + 置信度
是否需要标注数据	大量（已预训练）	大量（已预训练）	每人2张起	每人2张起	每人2张起

特征提取方式对比

Haar:        矩形区域灰度均值差（全局，速度极快）
dlib HOG:    像素梯度方向统计（局部方向性，精度高）
EigenFace:   PCA全局线性降维（全局，对光照敏感）
FisherFace:  PCA+LDA判别降维（全局，类间分离好）
LBPH:        局部二值纹理统计（局部，光照鲁棒）

---

七、性能雷达图与置信度阈值

置信度三算法说明

算法	度量方式	可靠阈值	返回 -1 条件
EigenFace	欧氏距离（投影系数差）	< 5000	> threshold (默认DBL_MAX)
FisherFace	欧氏距离（LDA投影差）	< 5000	> threshold
LBPH	卡方距离（直方图差）	< 80	> threshold

陷阱 ：三种算法的置信度单位不同、量纲不同，不能直接横向比较大小。

---

八、实战建议与扩展方向

8.1 三算法选型一句话

光照变化大  → FisherFace（LDA对光照最鲁棒）
实时/增量更新 → LBPH（速度快，支持 update）
理想受控环境 → EigenFace（计算简单，原理最直观）

8.2 与检测器组合的最优实践

# 推荐组合：Haar粗筛（速度快）+ LBPH识别（鲁棒）
cap = cv2.VideoCapture(0)
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)
recognizer.train(train_images, np.array(train_labels))

while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # Step1: Haar快速定位人脸
    faces = face_detector.detectMultiScale(gray, 1.1, 5)
    for (x, y, w, h) in faces:
        face_roi = gray[y:y+h, x:x+w]
        # Step2: LBPH识别身份
        label, conf = recognizer.predict(face_roi)
        name = id_to_name.get(label, 'Unknown')
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
        cv2.putText(frame, f'{name} {conf:.0f}', (x, y-8),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)
    cv2.imshow('人脸识别', frame)
    if cv2.waitKey(1) == 27:
        break

8.3 进阶扩展

方向	技术	说明
深度学习识别	ArcFace / FaceNet	大规模、高精度，需GPU
活体检测	眨眼检测（EAR）	结合 dlib 68关键点
年龄/性别估计	OpenCV DNN + Age-Net	与本文识别器串联
增量学习	LBPH.update()	动态注册新用户无需重训
人脸对齐	dlib 68关键点	提高识别精度5~15%

---

九、总结

	EigenFace	FisherFace	LBPH
最大优势	原理简洁，PCA直观	类间区分最优，光照鲁棒	无需统一尺寸，支持增量
致命弱点	光照/姿态敏感	必须≥2类，训练样本要求高	整体结构信息丢失
推荐度	★★★	★★★★	★★★★★

三种算法均适合小样本、无GPU、快速部署的场景。在实际工程中，推荐 Haar 检测 + LBPH 识别 作为轻量基线方案，对精度要求更高时升级为 dlib 检测 + FisherFace 识别，或直接引入深度学习方案。

---

参考资料：

• OpenCV 官方文档：cv2.face 模块
• Turk & Pentland, "Eigenfaces for Recognition" (1991)
• Belhumeur et al., "Eigenfaces vs. Fisherfaces" (1997)
• Ahonen et al., "Face Description with Local Binary Patterns" (2006)
  |

三种算法均适合小样本、无GPU、快速部署的场景。在实际工程中，推荐 Haar 检测 + LBPH 识别 作为轻量基线方案，对精度要求更高时升级为 dlib 检测 + FisherFace 识别，或直接引入深度学习方案。

---

参考资料：

• OpenCV 官方文档：cv2.face 模块
• Turk & Pentland, "Eigenfaces for Recognition" (1991)
• Belhumeur et al., "Eigenfaces vs. Fisherfaces" (1997)
• Ahonen et al., "Face Description with Local Binary Patterns" (2006)