OpenCV（十一）人脸识别三大算法LBPH、EigenFace、FisherFace

一、前言

继昨天学习了人脸检测（Haar级联分类器）之后，今天进一步深入人脸识别领域。与"检测"不同，"识别"是要判断这个人是谁，而不是仅仅找到人脸的位置。

OpenCV的face模块提供了三种经典的人脸识别算法：

LBPH（局部二值模式直方图）
EigenFace（特征脸）
FisherFace（费舍尔脸）

本文将逐一解析这三个算法的使用方法和核心区别，并附上完整可运行的代码。

二、环境准备

bash 复制代码

pip install opencv-python opencv-contrib-python numpy pillow

注意：cv2.face 模块在 opencv-contrib-python 中，需要单独安装。

数据集准备

本文示例使用4张训练图片：

hg0.jpg、hg1.jpg → 胡歌（标签0）
pyy0.jpg、pyy1.jpg → 彭于晏（标签1）
待识别图片：hg.jpg（胡歌的另一张照片）

三、算法一：LBPH（局部二值模式直方图）

核心原理

LBPH将图像分成若干小区域，对每个区域计算局部二值模式（LBP）直方图，然后串联成特征向量。对光照变化有较强的鲁棒性，是目前实际应用中较常用的方法。

完整代码

python 复制代码

import cv2
import numpy as np

# 准备训练数据（灰度图）
images = []
images.append(cv2.imread('hg0.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('hg1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('pyy0.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('pyy1.jpg', cv2.IMREAD_GRAYSCALE))

labels = [0, 0, 1, 1]
dic = {0: 'hg', 1: 'pyy', -1: '无法识别'}

# 待识别图片
predict_image = cv2.imread('hg.jpg', cv2.IMREAD_GRAYSCALE)

# 创建LBPH识别器（阈值80）
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

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

# 预测
label, confidence = recognizer.predict(predict_image)
print("这人是：", dic[label])
print('置信度：', confidence)

关键参数说明

参数	说明
threshold=80	置信度阈值，低于阈值认为匹配成功，否则返回-1
confidence	数值越小表示匹配度越高（0为完美匹配）

运行结果

text 复制代码

这人是： hg
置信度： 0.0

四、算法二：EigenFace（特征脸）

核心原理

EigenFace基于主成分分析（PCA），将高维人脸图像降维到低维"特征空间"，通过比较投影后的特征向量进行识别。需要所有训练图像尺寸一致。

完整代码

python 复制代码

import cv2
import numpy as np

images = []

# 统一尺寸为 120x180
a = cv2.imread('hg0.jpg', 0)
a = cv2.resize(a, (120, 180))
b = cv2.imread('hg1.jpg', 0)
b = cv2.resize(b, (120, 180))
c = cv2.imread('pyy0.jpg', 0)
c = cv2.resize(c, (120, 180))
d = cv2.imread('pyy1.jpg', 0)
d = cv2.resize(d, (120, 180))

images.extend([a, b, c, d])
labels = [0, 0, 1, 1]

pre_image = cv2.imread('hg.jpg', 0)
pre_image = cv2.resize(pre_image, (120, 180))

# 创建EigenFace识别器
recognizer = cv2.face.EigenFaceRecognizer_create()
recognizer.train(images, np.array(labels))

# confidence范围：0~20000，低于5000认为可靠
label, confidence = recognizer.predict(pre_image)
dic = {0: 'hg', 1: 'pyy', -1: '-1'}
print('这人是：', dic[label])
print('置信度为：', confidence)

# 在图片上标注
aa = cv2.putText(cv2.imread('hg.jpg'), dic[label], (10, 30), 
                 cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('xx', aa)
cv2.waitKey(0)

关键参数说明

参数	说明
confidence	范围 0~20000，低于5000 认为结果可靠
尺寸要求	所有训练图片和待识别图片必须完全一致

五、算法三：FisherFace（费舍尔脸）

核心原理

FisherFace基于线性判别分析（LDA），不仅考虑降维，还考虑类间差异最大化、类内差异最小化，因此识别率通常高于EigenFace，尤其适合光照变化较大的场景。

完整代码

python 复制代码

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

# 在图片上添加中文文字
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)

# 读取并统一尺寸
def image_re(image):
    a = cv2.imread(image, 0)
    a = cv2.resize(a, (120, 180))
    images.append(a)

images = []
image_re('hg0.jpg')
image_re('hg1.jpg')
image_re('pyy0.jpg')
image_re('pyy1.jpg')

labels = [0, 0, 1, 1]

pre_image = cv2.imread('hg.jpg', 0)
pre_image = cv2.resize(pre_image, (120, 180))

# 创建FisherFace识别器（阈值5000）
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=5000)
recognizer.train(images, np.array(labels))

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

# 在图片上添加中文标注
image = cv2AddChineseText(cv2.imread('hg.jpg').copy(), dic[label], (30, 10), 
                          textColor=(255, 0, 0))
cv2.imshow('xx', image)
cv2.waitKey(0)

关键参数说明

参数	说明
threshold=5000	置信度阈值，高于阈值返回-1（无法识别）
confidence	越小匹配度越高，阈值需根据实际数据调整

中文显示技巧

使用 PIL 绘制中文文字，因为OpenCV的putText默认不支持中文。

六、三大算法对比总结

对比维度	LBPH	EigenFace	FisherFace
核心原理	局部二值模式 + 直方图	PCA主成分分析	LDA线性判别分析
训练速度	较快	快	中等
识别速度	快	快	快
阈值可调	（threshold）	（固定判断标准）	（threshold）
尺寸要求	无需统一	必须统一	必须统一
置信度意义	越小越好	越小越好	越小越好
适用场景	实际项目首选	学术研究/入门	光照变化较大场景

置信度范围参考

算法	置信度范围	可靠阈值
LBPH	0 ~ 理论无穷大	< 80（可调）
EigenFace	0 ~ 20000+	< 5000
FisherFace	0 ~ 理论无穷大	< 5000（可调）

七、常见问题与解决方案

1. AttributeError: module 'cv2' has no attribute 'face'

原因：未安装 opencv-contrib-python

解决：

bash 复制代码

pip install opencv-contrib-python

2. 所有图片尺寸不一致报错（EigenFace/FisherFace）

解决：统一使用 cv2.resize() 调整尺寸

python 复制代码

img = cv2.imread('hg0.jpg', 0)
img = cv2.resize(img, (120, 180))

3. 阈值设置不当导致识别失败

LBPH：阈值过低会拒识，过高会误识，建议从 80 开始调试
FisherFace：阈值从 5000 开始调试

OpenCV（十一）人脸识别三大算法LBPH、EigenFace、FisherFace

一、前言

二、环境准备

数据集准备

三、算法一：LBPH（局部二值模式直方图）

核心原理

完整代码

关键参数说明

运行结果

四、算法二：EigenFace（特征脸）

核心原理

完整代码

关键参数说明

五、算法三：FisherFace（费舍尔脸）

核心原理

完整代码

关键参数说明

中文显示技巧

六、三大算法对比总结

置信度范围参考

七、常见问题与解决方案

1. AttributeError: module 'cv2' has no attribute 'face'

2. 所有图片尺寸不一致报错（EigenFace/FisherFace）

3. 阈值设置不当导致识别失败

4. 训练样本太少导致识别率低