OpenCV 人脸识别学习笔记：从Haar检测到三种特征脸算法实战

陈年老古董2026-09-07 10:17

最近在啃OpenCV的人脸识别模块，整理了一套从入门到进阶的可运行代码，从最基础的单张图片人脸检测，到LBPH、EigenFace、FisherFace三种经典识别算法，最后还有摄像头实时识别的综合案例。第一个例子会拆得细一点，方便新手理解，后面的例子重点讲核心逻辑和差异，重复的基础操作就不多啰嗦了。

一、基础入门：单张图片人脸检测（Haar级联分类器）

1.1 原理

Haar级联是OpenCV自带的传统人脸检测方案，靠提取图像的Haar-like特征，用多层级联分类器一步步滑动窗口筛选，优点是速度快、资源占用低，非常适合入门练手。 需要用到官方预训练的配置文件 haarcascade_frontalface_default.xml，OpenCV安装目录里能找到，网上也能随便搜到，记得和代码放同一个目录，或者写绝对路径。

1.2 环境准备

先装依赖库：

python 复制代码 
pip install opencv-python numpy

1.3 代码分步拆解

步骤1：导入库 + 读取图片 + 灰度转换
python 复制代码 
import cv2
import numpy as np

# 读取待检测图片
image = cv2.imread('img.png')
# 转灰度图------人脸检测不需要彩色信息，灰度能大幅减少计算量
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

这里提一句，OpenCV默认读图片是BGR通道，不是RGB，转灰度用COLOR_BGR2GRAY就好。

步骤2：加载人脸分类器
python 复制代码 
# ----------------加载分类器----------------
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

踩过的坑 ：路径错了不会报错，但检测结果永远是空。如果一直检测不到人脸，先打印一下faceCascade.empty()看看是不是True，True就是加载失败了。

步骤3：核心函数：detectMultiScale 人脸检测

这是最关键的一步，参数调得好不好直接影响检测效果。原代码里的注释很全，再补点大白话解释：

python 复制代码 
# ----------------分类器检测实现人脸识别 ----------------
# objects = cv2.CascadeClassifier.detectMultiScale( image[, scaleFactor
#                     [,minNeighbors[, flags[, minSize[, maxSize]]]] )
# 其中,各个参数及返回值的含义如下。
# ·image:待检测图像，通常为灰度图像。
# ·scaleFactor:表示在前后两次相继扫描中搜索窗口的缩放比例。识别，扫描，按照不同比例来进行扫描
# ·minNeighbors:表示构成检测目标的相邻矩形的最小个数。在默认情况下，该参数的值为3，
#     表示有3个以上的检测标记存在时才认为存在人脸。如果希望提高检测的准确率可以将该参数的值设置得更大，
#     但这样做可能会让一些人脸无法被检测到。
# ·flags: 该参数通常被省略。在使用低版本 OpenCV（OpenCV 1.X 版本）时，该参数可能会被设置为
# # CV_HAAR_DO_CANNY_PRUNING，表示使用 Canny 边缘检测器拒绝一些区域。
# ·minSize: 目标的最小尺寸，小于这个尺寸的目标将被忽略。
# ·maxSize: 目标的最大尺寸，大于这个尺寸的目标将被忽略。通常情况下，将该可选参数省略即可。
#     若maxSize 和 minSize 大小一致，则表示仅在一个尺度上查找目标。
# ·objects: 返回值，目标对象的矩形框向量组。该值是一组矩形信息，
#     包含每个检测到的人脸对应的矩形框的信息（x轴方向位置、y轴方向位置、宽度、高度）。
faces = faceCascade.detectMultiScale(gray, scaleFactor=1.05,minNeighbors=25, minSize=(8, 8))

个人调参：

  • scaleFactor：常用范围1.05~1.2。数值越小，检测越精细，但速度越慢；1.2速度快，但容易漏掉小脸。
  • minNeighbors：控制误检率，数值越高越不容易出现"把背景当人脸"的情况，但也容易漏检。单人场景可以调到15~25，多人场景建议10左右。
  • minSize：根据图片里人脸的实际大小设，比如远距离监控就设小一点，避免漏检。
步骤4：画框 + 显示结果
python 复制代码 
print("发现{0}张人脸!".format(len(faces)))
print("其位置分别是: ", faces)

# ----------------标注人脸及显示 ----------------
for (x, y, w, h) in faces:
    # 画矩形框：绿色，线宽2像素
    cv2.rectangle(image, pt1=(x, y), pt2=(x + w, y + h), color=(0, 255, 0), thickness=2)

# 显示窗口
cv2.imshow("result", image)
cv2.waitKey(0)  # 按任意键关闭
cv2.destroyAllWindows()

# 预生成随机颜色数组，后面多目标检测扩展用
color=np.random.randint(0,255,(100,3))

1.4 完整可运行代码

把上面拼起来就是完整版本，替换成自己的图片路径就能跑：

python 复制代码 
import cv2
import numpy as np

image = cv2.imread('img.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# ----------------加载分类器----------------
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# ----------------分类器检测实现人脸识别 ----------------
# objects = cv2.CascadeClassifier.detectMultiScale( image[, scaleFactor
#                     [,minNeighbors[, flags[, minSize[, maxSize]]]] )
# 其中,各个参数及返回值的含义如下。
# ·image:待检测图像，通常为灰度图像。
# ·scaleFactor:表示在前后两次相继扫描中搜索窗口的缩放比例。识别，扫描，按照不同比例来进行扫描
# ·minNeighbors:表示构成检测目标的相邻矩形的最小个数。在默认情况下，该参数的值为3，
#     表示有3个以上的检测标记存在时才认为存在人脸。如果希望提高检测的准确率可以将该参数的值设置得更大，
#     但这样做可能会让一些人脸无法被检测到。
# ·flags: 该参数通常被省略。在使用低版本 OpenCV（OpenCV 1.X 版本）时，该参数可能会被设置为
# # CV_HAAR_DO_CANNY_PRUNING，表示使用 Canny 边缘检测器拒绝一些区域。
# ·minSize: 目标的最小尺寸，小于这个尺寸的目标将被忽略。
# ·maxSize: 目标的最大尺寸，大于这个尺寸的目标将被忽略。通常情况下，将该可选参数省略即可。
#     若maxSize 和 minSize 大小一致，则表示仅在一个尺度上查找目标。
# ·objects: 返回值，目标对象的矩形框向量组。该值是一组矩形信息，
#     包含每个检测到的人脸对应的矩形框的信息（x轴方向位置、y轴方向位置、宽度、高度）。
faces = faceCascade.detectMultiScale(gray, scaleFactor=1.05,minNeighbors=25, minSize=(8, 8))
print("发现{0}张人脸!".format(len(faces)))
print("其位置分别是: ", faces)

# ----------------标注人脸及显示 ----------------
for (x, y, w, h) in faces:
    cv2.rectangle(image, pt1=(x, y), pt2=(x + w, y + h), color=(0, 255, 0), thickness=2)
cv2.imshow("result", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

color=np.random.randint(0,255,(100,3))

二、进阶：摄像头实时人脸+微笑检测

在人脸检测基础上，再加一个微笑检测分类器，调用摄像头实时跑。核心优化思路是：先检测人脸，再只在人脸区域内检测微笑，既提升速度，又减少背景误检。

完整代码

python 复制代码 
# 人脸微笑检测（摄像头）
import cv2

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier("haarcascade_smile.xml")

cap = cv2.VideoCapture(0)  # 初始化摄像头，0代表默认第一个摄像头
while True:  # 循环处理每一帧画面
    ret, image = cap.read()  # 读取一帧
    image = cv2.flip(image, flipCode=1)  # 水平翻转，镜像效果，符合自拍习惯
    
    # 读取失败直接退出
    if ret is None:
        break
    
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 灰度化
    faces = faceCascade.detectMultiScale(gray,scaleFactor=1.1,minNeighbors=15,minSize=(5, 5)) # 人脸检测
    
    # ----------------处理每个人脸----------------
    for (x, y, w, h) in faces:
        cv2.rectangle(image, pt1=(x, y), pt2=(x + w, y + h), color=(0, 255, 0), thickness=2)
        
        # 提取人脸ROI区域，只在这块区域检测微笑
        roi_gray_face = gray[y:y + h, x:x + w]
        cv2.imshow('lian',roi_gray_face)
        
        # 微笑检测
        smiles = smile.detectMultiScale(roi_gray_face,scaleFactor=1.5,minNeighbors=10,minSize=(50, 50))
        for (sx, sy, sw, sh) in smiles:
            # ROI坐标转回原图坐标
            a = x + sx
            b = y + sy
            cv2.rectangle(image, pt1=(a, b),
                          pt2=(a + sw, b + sh), color=(255, 0, 0), thickness=2)
            # 标注文字
            cv2.putText(image,"smile",(x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,(0, 255, 255), 2)
    
    # 显示结果
    cv2.imshow("dect", image)
    key = cv2.waitKey(1)
    if key == 27:  # 按ESC键退出
        break

cap.release()
cv2.destroyAllWindows()

核心知识点

  1. ROI感兴趣区域：抠出人脸区域再做二次检测，是计算机视觉里非常常用的优化手段。
  2. 坐标映射：ROI里检测出的坐标是相对左上角的，要加回原图的x、y偏移量才能正确画框。
  3. 视频逻辑 ：while True + waitKey(1) 是OpenCV视频处理的标准写法，延时1毫秒保证画面流畅。

三、人脸识别算法1：LBPH 局部二值模式

前面都是"检测有没有人脸"，从这里开始是"识别是谁的脸"。 LBPH全称Local Binary Patterns Histograms，通过提取人脸局部纹理特征生成直方图，对比直方图距离判断身份。最大的好处是对光照不敏感，也不用统一图片尺寸，对新手友好。

完整代码

python 复制代码 
import cv2
import numpy as np

# 训练集：每个人准备2张不同角度的人脸灰度图
images=[]
images.append(cv2.imread('mjq.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('mjq2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('syx.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('syx2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('zzy.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('zzy2.png', cv2.IMREAD_GRAYSCALE))

# 标签：和图片一一对应，同一个人标签相同
labels = [0, 0, 1, 1, 2, 2]
dic = {0:"mjq",1:"syx",2:"zzy",-1:"-1"}

# 待识别图片
predict_image=cv2.imread('mjq.png',cv2.IMREAD_GRAYSCALE)

# cv2.face.LBPHFaceRecognizer_create(radius=None, neighbors=None, grid_x=None, grid_y=None, threshold=None)
# 功能：创建一个LBPH的人脸特征识别器
# radius：圆形局部二进制模式的半径，默认即可
# neighbors：采样点数目，默认即可
# grid_x/grid_y：特征图划分的单元格数，默认8×8
# threshold：识别阈值，超过阈值返回-1（无法识别）
recognizer=cv2.face.LBPHFaceRecognizer_create(threshold=80)

# 训练模型
recognizer.train(images,np.array(labels))

# 预测
# label：识别结果标签
# confidence：置信度，数值越小匹配度越高，超过80认为差距过大
label,confidence=recognizer.predict(predict_image)
print('这人是：',dic[label])
print('置信度：',confidence)

四、人脸识别算法2：EigenFace 特征脸

基于PCA主成分分析的经典算法，把高维人脸图像降维到"特征脸"空间，通过计算投影距离匹配身份。

完整代码

python 复制代码 
import cv2
import numpy as np

images=[]  # 注意：EigenFace要求所有图片尺寸必须一致！
a=cv2.imread(filename='mjq.png', flags=0)
a=cv2.resize(a, dsize=(120,180))
b=cv2.imread(filename='mjq2.png', flags=0)
b=cv2.resize(b, dsize=(120,180))
c=cv2.imread(filename='syx.png', flags=0)
c=cv2.resize(c, dsize=(120,180))
d=cv2.imread(filename='syx2.png', flags=0)
d=cv2.resize(d, dsize=(120,180))
e=cv2.imread(filename='zzy.png', flags=0)
e=cv2.resize(e, dsize=(120,180))
f=cv2.imread(filename='zzy.png', flags=0)
f=cv2.resize(f, dsize=(120,180))

images.append(a)
images.append(b)
images.append(c)
images.append(d)
images.append(e)
images.append(f)

labels=[0,0,1,1,2,2]
pre_image=cv2.imread( 'mjq.png', flags=0)
pre_image=cv2.resize(pre_image, dsize=(120,180))

# 创建识别器
# num_components：PCA保留的主成分数量，一般80够用
# threshold：识别阈值
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=5000)

# 训练 + 预测
recognizer.train(images, np.array(labels))
label,confidence = recognizer.predict(pre_image)

dic={0:'mjq',1:'syx',2:'zzy',-1:'-1'}
print('这人是：',dic[label])
print('置信度为：',confidence)

# 在图上标注结果
aa=cv2.putText(cv2.imread('mjq.png').copy(),dic[label],(10,30),cv2.FONT_HERSHEY_SIMPLEX,
               fontScale=0.9, color=(0,0,255), thickness=2)
cv2.imshow('xx',aa)
cv2.waitKey(0)

注意点

  • 强制统一尺寸：训练集和测试集必须resize到同样宽高，不然直接报错。
  • 置信度范围0~20000，越小越相似，一般5000以内算匹配成功。
  • 对光照、姿态变化比较敏感，适合正面、光照均匀的场景。

五、人脸识别算法3：FisherFace

基于LDA线性判别分析，核心思想是"类间差异最大化，类内差异最小化"，纯分类效果通常比EigenFace好一点。

完整代码

顺便加了OpenCV显示中文的通用方法（原生putText不支持中文，用PIL中转）：

python 复制代码 
import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont

# OpenCV图片添加中文工具函数
def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):
    if (isinstance(img, np.ndarray)):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
    draw.text(position, text, textColor, font=fontStyle)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

def image_re(image):
    a=cv2.imread(image, flags=0)
    a=cv2.resize(a, dsize=(120,180))
    images.append(a)

images=[]
image_re('mjq.png')
image_re('mjq2.png')
image_re('syx.png')
image_re('syx2.png')
image_re('zzy.png')
image_re('zzy2.png')

labels=[0,0,1,1,2,2]
pre_image=cv2.imread('mjq.png',0)
pre_image=cv2.resize(pre_image, dsize=(120,180))

recognizer=cv2.face.FisherFaceRecognizer_create(threshold=5000)
recognizer.train(images,np.array(labels))

label,confidence=recognizer.predict(pre_image)
dic={0:'马',1:'宋',2:'张',-1:'无法识别'}
print('这人是：',dic[label])
print('置信度为：',confidence)

# 显示中文结果
image = cv2AddChineseText(cv2.imread('mjq.png').copy(), dic[label], position=(30,10),textColor=(255,0,0))
cv2.imshow('xx',image)
cv2.waitKey(0)

六、综合实战：摄像头实时人脸识别

最后这个是课程作业，把前面所有技术串起来：提前训练模型，摄像头实时检测人脸→裁剪对齐→识别身份→中文姓名显示在人脸框上方。

完整代码

python 复制代码 
import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont

"""
作业：
使用所学的人脸识别任意算法实现对摄像头画面进行人脸识别，识别结果实时显示在人脸矩形框的正上方。
提示：多收集一些人脸图片，先进行人脸检测，然后再进行人脸识别。
"""

def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):
    if (isinstance(img, np.ndarray)):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
    draw.text(position, text, textColor, font=fontStyle)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

def image_re(image):
    a=cv2.imread(image, flags=0)
    a=cv2.resize(a, dsize=(120,180))
    images.append(a)

# 1. 加载训练数据
images=[]
image_re('mjq.png')
image_re('mjq2.png')
image_re('syx.png')
image_re('syx2.png')
image_re('zzy.png')
image_re('zzy2.png')
image_re('my.png')
image_re('my2.jpg')

labels=[0,0,1,1,2,2,3,3]
dic = {0: "马", 1: "宋", 2: "张", 3: "自己", -1: "无法识别"}

# 2. 训练模型
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=5000)
recognizer.train(images, np.array(labels))

# 3. 人脸检测器
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 4. 实时识别
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    frame = cv2.flip(frame, flipCode=1)
    if not ret:
        break
    
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = faceCascade.detectMultiScale(gray,scaleFactor=1.1,minNeighbors=15,minSize=(30,30))
    
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, pt1=(x, y), pt2=(x + w, y + h), color=(0, 255, 0), thickness=2)
        
        roi_gray_face = gray[y:y + h, x:x + w]
        cv2.imshow('lian',roi_gray_face)
        pre_image = cv2.resize(roi_gray_face, dsize=(120, 180))
        
        label, confidence = recognizer.predict(pre_image)
        frame = cv2AddChineseText(frame, dic[label], position=(x, y - 35), textColor=(0, 0, 255), textSize=24)
    
    cv2.imshow('ziji', frame)
    if cv2.waitKey(1)==27:
        break

cap.release()
cv2.destroyAllWindows()

七、踩坑&注意事项总结

  1. 分类器文件路径：优先放同级目录，加载失败不会报错，只会检测不到结果。
  2. 图片尺寸：EigenFace和FisherFace必须统一尺寸，LBPH无要求。
  3. 灰度输入：检测和识别基本都要求灰度图，不要直接喂彩色图。
  4. 阈值调整：误识别多就把阈值调小，漏识别多就调大，根据自己的数据集慢慢试。
  5. 中文显示：OpenCV原生不支持中文，必须用PIL或者freetype扩展。
  6. 训练集质量：每个人2~5张不同角度、光照的照片最合适，太少容易过拟合，太多训练慢。

传统算法适合入门理解原理，实际复杂场景还是深度学习方案效果好，但这些基础逻辑是进阶的必经之路。

相关推荐
旖旎夜光1 小时前
【LangChain实战】LangChain 学习笔记（二）：结构化输出、流式传输与消息管理
人工智能·笔记·python·学习·ai·langchain
我是你的开心果7782 小时前
ai全栈应用开发学习day19
学习
公爵爱学习2 小时前
无人机多点导航笔记
java·前端·笔记
Capricorn19882 小时前
跨端同步与记忆锁定排障：OpenClaw 2.0 Active Memory 云端劫持危机，知芽 Notebook Skill 单元记忆架构解析
大数据·论文阅读·人工智能·笔记·架构·论文笔记
Hammer_Hans2 小时前
DFT笔记120
笔记
是隼人2 小时前
buuctf-pwn wustctf2020_closed(文件描述符)题解（学习过程持续更新）
c语言·学习·安全·pwn入门·ctf入门
励志不掉头发的内向程序员2 小时前
【LibreCAD 2D架构】从两个坐标到图形实体：RS_ActionDrawLine如何创建RS_Line
开发语言·c++·qt·学习·系统架构
Ztt6666666662 小时前
月白大竹节壶不露锋芒，竹意藏在嘴把转折里
经验分享·笔记·其他·百度·微信公众平台
sunshine22 girl2 小时前
Java学习一 环境配置1 安装JDK，配置环境变量
java·开发语言·学习
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02GitHub 镜像站点03历年考研数学一、数学二、数学三真题试卷及答案PDF04蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接05ZCode 周末送额度活动开启：3 亿 Token 免费领取062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新08Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费09AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路10VSCode+CodeX扩展，无法启动