OpenCV学习：人脸识别

词却2026-09-10 10:35

OpenCV学习：人脸识别

前言 ：上一篇我们学习了基于 Haar 级联分类器的人脸检测与微笑识别。本篇我们将更进一步------从"检测出人脸"升级为"识别出这个人是谁"。人脸识别技术广泛应用于手机解锁、门禁系统、支付验证等场景。OpenCV 的 face 模块提供了三种主流的人脸识别算法：LBPH 、EigenFace 和 FisherFace。本篇我们将从数据准备开始，一步步实现完整的实时人脸识别系统。

目录

  • 一、人脸识别概述
  • 二、三种人脸识别算法
  • 三、数据准备与预处理
  • 四、模型训练与预测
  • 五、实时人脸识别
  • 六、总结

一、人脸识别概述

1.1 人脸检测 vs 人脸识别

概念 说明
人脸检测 在图像中找到人脸的位置（画框），不关心是谁
人脸识别 判断检测到的人脸具体是哪个人

简单来说：人脸检测是"找到脸"，人脸识别是"认出是谁"。

1.2 人脸识别的基本流程

复制代码 
采集人脸样本 → 预处理 → 训练模型 → 实时检测人脸 → 识别身份

二、三种人脸识别算法

OpenCV 的 cv2.face 模块提供了三种经典的人脸识别算法：

算法 原理 特点
LBPH 局部二值模式直方图 最常用，对光照和表情变化鲁棒
EigenFace PCA 降维 + 特征脸 最早的主流方法，对光照敏感
FisherFace LDA 降维 + 线性判别 比 EigenFace 更鲁棒，区分能力更强

2.1 LBPH（局部二值模式直方图）

LBPH 是目前最常用的人脸识别方法。它通过计算图像的局部二值模式（LBP） 直方图来描述人脸纹理特征，对光照变化、表情变化都有较好的鲁棒性。

python 复制代码 
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=10000)

2.2 EigenFace（特征脸）

EigenFace 是最早的人脸识别算法之一，其核心思想是主成分分析（PCA）。它将人脸图像降维到低维空间，在这个空间中不同的"特征脸"构成了人脸空间的基础。

python 复制代码 
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=10000)

2.3 FisherFace（线性判别分析）

FisherFace 在 EigenFace 的基础上引入了线性判别分析（LDA）。它不仅考虑降维，还考虑了不同类别之间的区分度，使得同类样本更紧凑，不同类样本更分散。

python 复制代码 
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=10000)

2.4 三种算法对比

对比维度 LBPH EigenFace FisherFace
核心原理 LBP 纹理直方图 PCA 降维 LDA 降维
对光照敏感度 鲁棒 敏感 中等
对表情变化 鲁棒 敏感 中等
训练速度 快 快 中等
识别精度 最佳 一般 较好
适用场景 大多数场景 可控光照环境 一般环境

2.5 三种算法选择建议

场景 推荐算法
光照变化大、表情丰富 LBPH（首选）
光照可控环境 EigenFace
一般环境，需要区分能力 FisherFace

三、数据准备与预处理

3.1 数据集说明

本案例使用三位人物的人脸样本，每人 3 张图片，共 9 张训练样本。图片按以下规则命名：

类别 标签 样本文件
彭于晏 0 pyy_1.png、pyy_2.png、pyy_3.png
吴京 1 wj_1.png、wj_2.png、wj_3.png
杨洋 2 yy_1.png、yy_2.png、yy_3.png

3.2 数据加载与预处理

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

# ====================中文绘制函数====================
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)


# ====================加载训练数据====================
images = []
labels = []
IMG_SIZE = (120, 180)

# 彭于晏 (标签0)
img = cv2.imread(r".\faces\pyy_1.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(0)

img = cv2.imread(r".\faces\pyy_2.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(0)

img = cv2.imread(r".\faces\pyy_3.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(0)

# 吴京 (标签1)
img = cv2.imread(r".\faces\wj_1.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(1)

img = cv2.imread(r".\faces\wj_2.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(1)

img = cv2.imread(r".\faces\wj_3.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(1)

# 杨洋 (标签2)
img = cv2.imread(r".\faces\yy_1.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(2)

img = cv2.imread(r".\faces\yy_2.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(2)

img = cv2.imread(r".\faces\yy_3.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(2)

labels = np.array(labels)
print(f"加载 {len(images)} 张训练样本")

四、模型训练与预测

4.1 完整代码

python 复制代码 
# ====================训练 LBPH 模型====================
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=10000)
recognizer.train(images, labels)

# ====================预测测试====================
name_dict = {0: "彭于晏", 1: "吴京", 2: "杨洋", -1: "无法识别"}

test_img = cv2.imread(r".\faces\wj.png", 0)
test_img = cv2.resize(test_img, IMG_SIZE)

label, confidence = recognizer.predict(test_img)
print(f"识别结果: {name_dict[label]}")
print(f"置信度: {confidence}")

# ====================结果展示====================
result_img = cv2.imread(r".\faces\wj.png")
result_img = cv2AddChineseText(result_img, name_dict[label], (10, 30), textColor=(0, 255, 0), textSize=30)
cv2.imshow("result", result_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.2 置信度说明

置信度（confidence）表示识别结果的可靠程度，数值越小表示越可靠。不同算法的置信度范围不同，需要根据实际情况设置合理的阈值：

算法 置信度特点
LBPH 通常小于 100，越小越匹配
EigenFace 通常小于 10000，越小越匹配
FisherFace 通常小于 5000，越小越匹配

4.3 三种算法切换

在代码中替换对应的识别器创建语句即可切换算法：

python 复制代码 
# LBPH（推荐）
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=10000)

# EigenFace
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=10000)

# FisherFace
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=10000)

五、实时人脸识别

将人脸检测与识别结合起来，实现摄像头实时人脸识别。

5.1 完整代码

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

# ====================中文绘制函数====================
def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=25):
    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)


# ====================加载训练数据====================
images = []
labels = []
IMG_SIZE = (120, 180)

# 彭于晏 (标签0)
img = cv2.imread(r".\faces\pyy_1.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(0)
img = cv2.imread(r".\faces\pyy_2.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(0)
img = cv2.imread(r".\faces\pyy_3.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(0)

# 吴京 (标签1)
img = cv2.imread(r".\faces\wj_1.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(1)
img = cv2.imread(r".\faces\wj_2.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(1)
img = cv2.imread(r".\faces\wj_3.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(1)

# 杨洋 (标签2)
img = cv2.imread(r".\faces\yy_1.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(2)
img = cv2.imread(r".\faces\yy_2.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(2)
img = cv2.imread(r".\faces\yy_3.png", 0)
img = cv2.resize(img, IMG_SIZE)
images.append(img)
labels.append(2)

labels = np.array(labels)
print(f"加载样本总数：{len(images)}")

# ====================训练 LBPH 模型====================
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=10000)
recognizer.train(images, labels)

# ====================配置====================
name_dict = {0: "彭于晏", 1: "吴京", 2: "杨洋", -1: "无法识别"}
CONFIDENCE_THRESHOLD = 100

# ====================人脸检测====================
face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

# ====================摄像头实时识别====================
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=4, minSize=(60, 60))

    for (x, y, w, h) in faces:
        # 绘制人脸框
        cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)

        # 裁剪并缩放人脸
        face_roi = gray[y:y + h, x:x + w]
        face_roi = cv2.resize(face_roi, IMG_SIZE)

        # 识别
        pred_label, confidence = recognizer.predict(face_roi)

        # 阈值判断
        if confidence > CONFIDENCE_THRESHOLD:
            show_name = name_dict[-1]
        else:
            show_name = name_dict[pred_label]

        # 显示名字
        frame = cv2AddChineseText(frame, show_name, (x, y - 30), textColor=(0, 255, 0), textSize=24)

    cv2.imshow("Face Recognition", frame)

    if cv2.waitKey(1) & 0xFF == 27:
        break

cap.release()
cv2.destroyAllWindows()

5.2 关键逻辑说明

步骤 说明
1. 加载样本 从 faces 文件夹读取三类人脸图片，统一缩放到 120×180
2. 训练模型 使用 LBPH 算法训练人脸识别模型
3. 人脸检测 Haar 级联分类器检测人脸位置
4. 人脸识别 将检测到的人脸缩放后送入模型识别
5. 阈值判断 置信度超过阈值则判定为"无法识别"

六、总结

核心函数速查

函数 用途
cv2.face.LBPHFaceRecognizer_create() 创建 LBPH 识别器（推荐）
cv2.face.EigenFaceRecognizer_create() 创建 EigenFace 识别器
cv2.face.FisherFaceRecognizer_create() 创建 FisherFace 识别器
recognizer.train(images, labels) 训练模型
recognizer.predict(image) 预测单张人脸，返回 (标签, 置信度)

三种算法选择建议

场景 推荐算法
光照变化大、表情丰富 LBPH（首选）
光照可控环境 EigenFace
一般环境，需要区分能力 FisherFace

注意事项

要点 说明
样本数量 每人至少 5-10 张不同光照、表情的样本
图像尺寸 训练集和预测图像尺寸必须一致
置信度阈值 需要根据实际数据调整，避免误识别
灰度图像 所有算法都要求输入灰度图
中文显示 cv2.putText() 不支持中文，需借助 PIL

系列直达

相关推荐
凌晨1681 小时前
OpenCV（十一）人脸识别三大算法LBPH、EigenFace、FisherFace
人工智能·opencv·算法
xqqxqxxq1 小时前
AI Agent学习：第四章小结及八道思考题（李博杰《深入理解 AI Agent》第四章观后总结）
大数据·人工智能·学习
YOLO数据集集合1 小时前
反无人机禁飞识别无人机检测数据集 | 反无人机 禁飞识别 低空安防 目标检测 无人机检测10756期
人工智能·目标检测·无人机
Willliam_william1 小时前
QEMU学习之路（13）— 在BusyBox中安装pciutils
学习
yyk333241 小时前
OpenCV中的LBPH人脸识别
人工智能·opencv·计算机视觉
天天代码码天天1 小时前
把 PP-OCR 塞进一个纯 C Runtime：从 Tiny 到 Medium，再到单文件 HTML OCR
人工智能
xsd202411181 小时前
Stremio-WebStremio：开源流媒体自由聚合平台
人工智能
Aloudata1 小时前
语义治理 vs 知识治理：AI 数据分析需要业务知识库还是可执行语义层
大数据·人工智能·数据分析·data agent·语义层
阿黎梨梨1 小时前
LangGraph 核心机制：从状态管理到人机协同
人工智能·langchain
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02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）03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF052026 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？06微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新07蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接08ZCode 周末送额度活动开启：3 亿 Token 免费领取09Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费10AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路