03_LBPH人脸识别算法原理与实战

OpenCV 之人脸识别：LBPH 算法原理与完整代码实现

---

摘要 ：本文详细讲解 OpenCV 中 LBPH（局部二值模式直方图）人脸识别算法的原理与完整实现。首先介绍 LBP 特征的计算原理（基本算子与圆形扩展），接着说明如何从 LBP 特征图划分单元格、统计直方图并拼接成特征向量，然后梳理训练与识别两个阶段的核心流程。文章给出可直接运行的环境安装命令与完整 Python 代码，并对 LBPHFaceRecognizer_create、train、predict 等关键 API 逐一详解，最后总结提高准确率的实用技巧与 LBPH 的优缺点，适合人脸识别入门读者参考。

前言

前两篇我们学习了人脸检测 ------也就是在图像中找到人脸的位置。从本篇开始，我们进入更高级的人脸识别领域：不仅要找到人脸在哪里，还要判断出「这个人是谁」。

OpenCV 提供了三种经典的人脸识别算法：

• LBPH（Local Binary Patterns Histograms，局部二值模式直方图）
• EigenFace（特征脸，基于 PCA）
• FisherFace（基于 LDA）

三种算法各有特点，其中 LBPH 是最容易理解、对光照变化最不敏感的一种，非常适合作为人脸识别的入门算法。

本篇我们就来详细讲解 LBPH 的原理，并给出完整的训练和识别代码。

---

一、什么是 LBPH

LBPH 全称 Local Binary Patterns Histograms ，中文叫「局部二值模式直方图」。它的核心思想是：用局部纹理特征来描述人脸。

每个人的脸部纹理都是独一无二的------皱纹分布、毛孔排列、皮肤纹理......这些微观特征组合起来，就是一个人的「面部指纹」。LBPH 就是通过提取这些局部纹理信息，再统计成直方图，作为人脸的特征向量。

LBPH 的优势：

• 对光照变化不敏感：因为它比较的是相邻像素的相对大小，而不是绝对亮度
• 原理简单，容易理解：没有复杂的数学推导
• 单张图片也能训练：不需要大量样本

---

二、LBP 特征计算原理

2.1 基本 LBP 算子

LBP 的计算非常直观，对每个像素点，我们做以下操作：

1. 以该像素为中心，取周围 8 个邻居像素（3×3 邻域）
2. 把周围像素和中心像素比较：
   • 如果周围像素 ≥ 中心像素，标记为 1
   • 如果周围像素 < 中心像素，标记为 0
3. 从某个位置开始（通常是正上方顺时针），把这 8 个 0/1 值连成一个 8 位二进制数
4. 把这个二进制数转换成十进制，就是该像素的 LBP 值

举个例子：

邻域像素（3×3）：
  10   20   30
  40   25   60      中心像素 = 25
  70   80   90

逐个比较（≥25 记为 1，<25 记为 0）：
  0    0    1
  1    .    1
  1    1    1

从正上方顺时针排列：0 1 1 1 1 1 1 0
二进制 01111110 = 十进制 126
所以中心像素的 LBP 值 = 126

就这样，一张灰度图经过 LBP 运算后，变成了一张「LBP 特征图」，每个像素的值是 0~255 之间的整数，代表了该位置的局部纹理模式。

2.2 圆形 LBP（扩展版）

基本 LBP 用的是 3×3 的正方形邻域，但后来研究者提出了圆形 LBP------在一个圆上均匀采样多个点，这样可以控制半径和采样点数，灵活性更高。

OpenCV 中 LBPH 使用的就是圆形 LBP：

• radius：圆形邻域的半径
• neighbors：圆上采样点的数量，通常是 8 个

半径越大，捕捉的纹理范围越大；采样点越多，描述越精细。但计算量也会随之增加。默认参数通常效果就不错。

---

三、从 LBP 图到 LBPH 直方图

光有 LBP 特征图还不够------两张相同人脸的图片，人脸位置可能略有不同，直接逐像素比较肯定不准。

怎么办？答案是划分区域 + 统计直方图。

步骤

1. 把 LBP 特征图划分成若干个单元格（cell）

   • 比如划分为 8×8 = 64 个单元格
   • OpenCV 中用 grid_x 和 grid_y 控制水平和垂直方向的单元格数

2. 对每个单元格统计 LBP 值的直方图

   • 每个单元格统计一个 256 维的直方图（因为 LBP 值是 0~255）
   • 直方图统计的是「每种 LBP 模式出现了多少次」

3. 把所有单元格的直方图拼接成一个长向量

   • 8×8 个单元格 × 256 维 = 16384 维特征向量
   • 这个向量就是整张人脸的特征表示

这样做的好处：

• 具有一定的平移不变性：人脸稍微移动一点，每个单元格内的直方图变化不大
• 保留了空间信息：不同位置的单元格是分开的，不是整张图一个直方图，所以能区分眼睛在上面、嘴巴在下面的空间结构

---

四、人脸识别过程

有了 LBPH 特征向量之后，人脸识别怎么进行呢？

训练阶段

1. 收集已知身份的人脸图像（每人若干张）
2. 对每张人脸图像计算 LBPH 特征向量
3. 把特征向量和对应的身份标签存起来，形成「人脸库」

识别阶段

1. 对待识别的人脸图像计算 LBPH 特征向量
2. 和人脸库中的每个特征向量计算距离（相似度）
3. 找到距离最近的那个人脸，其身份就是识别结果
4. 如果最近距离超过了阈值，说明库中没有这个人，返回「无法识别」

LBPH 通常使用 直方图相交距离 或 欧氏距离 来衡量相似度。距离越小，说明两张脸越相似。

---

五、环境准备

LBPH 人脸识别器在 opencv-contrib-python 包中，所以除了基础的 opencv-python，还需要安装 contrib 包：

pip install opencv-python opencv-contrib-python

注意：两个包的版本号最好保持一致，否则可能出现兼容性问题。

---

六、完整代码实现

下面是 LBPH 人脸识别的完整代码，包含训练和预测两个步骤：

import cv2
import numpy as np

# ========== 1. 准备训练数据 ==========
# images 列表存放训练用的人脸灰度图
images = []
# 每人 2 张训练图片，标签分别为 0 和 1
images.append(cv2.imread('wyz1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('wyz2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('yy1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('yy2.png', cv2.IMREAD_GRAYSCALE))

# 标签：与 images 一一对应
# 0 代表 wyz，1 代表 yy
labels = [0, 0, 1, 1]

# 标签到姓名的映射字典，-1 表示无法识别
dic = {0: 'wyz', 1: 'yy', -1: '无法识别'}

# ========== 2. 读取待识别的图像 ==========
predict_image = cv2.imread('wyz.png', cv2.IMREAD_GRAYSCALE)

# ========== 3. 创建 LBPH 人脸识别器 ==========
# cv2.face.LBPHFaceRecognizer_create(radius, neighbors, grid_x, grid_y, threshold)
# 参数说明：
#   radius    - 圆形LBP的半径，默认 1
#   neighbors - 采样点数量，默认 8
#   grid_x    - 水平方向单元格数，默认 8
#   grid_y    - 垂直方向单元格数，默认 8
#   threshold - 识别阈值，距离超过阈值则返回 -1（无法识别）
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# ========== 4. 训练识别器 ==========
# recognizer.train(训练图像列表, 标签数组)
# 注意：标签需要转换为 numpy 数组
recognizer.train(images, np.array(labels))

# ========== 5. 进行预测 ==========
# recognizer.predict(待识别图像) 返回 (label, confidence)
#   label      - 预测的标签，-1 表示无法识别
#   confidence - 置信度（距离），越小表示越相似，通常 80 以下认为可靠
label, confidence = recognizer.predict(predict_image)

# ========== 6. 输出结果 ==========
print('这人是：', dic[label])
print('置信度：', confidence)

---

七、API 详解

7.1 创建识别器

recognizer = cv2.face.LBPHFaceRecognizer_create(
    radius=None,
    neighbors=None,
    grid_x=None,
    grid_y=None,
    threshold=None
)

参数	默认值	含义
radius	1	圆形 LBP 的半径，值越大捕捉的纹理范围越广
neighbors	8	圆形邻域的采样点数，值越大特征越丰富
grid_x	8	水平方向划分的单元格数
grid_y	8	垂直方向划分的单元格数
threshold	DBL_MAX	识别阈值，距离超过此值返回 -1

7.2 训练模型

recognizer.train(src, labels)

参数	类型	含义
src	list	训练图像列表，每张都是灰度图，尺寸可以不同
labels	np.array	对应的标签数组，整数类型

注意：和 EigenFace / FisherFace 不同，LBPH 不要求训练图像尺寸一致，因为它统计的是直方图，和图像绝对大小无关。这是 LBPH 的一大优势。

7.3 预测识别

label, confidence = recognizer.predict(src)

返回值	含义
label	预测的标签（整数），-1 表示无法识别
confidence	置信度评分（距离），越小越相似

关于置信度的说明：

• LBPH 的置信度本质上是「距离」，值越小表示越相似
• 经验值：低于 80 通常认为是比较可靠的匹配
• 高于 80 说明差异较大，可能不是同一个人
• 如果设置了 threshold 参数，超过阈值会直接返回标签 -1

---

八、运行与测试

准备数据

你需要准备以下图片（和代码放在同一目录下）：

wyz1.png  wyz2.png    # 第一个人的 2 张训练图
yy1.png   yy2.png     # 第二个人的 2 张训练图
wyz.png               # 待测试的图片（可以是 wyz 的新照片）

训练图片建议：

• 都是正面人脸，光线均匀
• 大小适中，人脸占主要部分
• 每人至少 2 张，越多识别越准确

运行结果

运行代码后，控制台输出：

这人是： wyz
置信度： 71.13878086125617

识别结果图：

置信度 71.14 在 80 以下，说明识别结果比较可靠，模型正确地识别出了测试图片中的人脸身份。

---

九、提高准确率的技巧

1. 增加训练样本

每人的训练图片越多，识别越准确。建议每人至少 3~5 张，涵盖不同表情、不同角度。

2. 人脸对齐

训练前先用 Haar 级联分类器检测人脸，裁剪出人脸区域再训练。这样可以排除背景干扰，让特征更集中。

3. 直方图均衡化

对训练和测试图片都做直方图均衡化，减少光照差异的影响：

gray = cv2.equalizeHist(gray)

4. 调整阈值

根据实际场景调整 threshold：

• 安全要求高的场景（如门禁），阈值设小一点，宁可漏识别也不要误识别
• 一般场景，阈值 80 左右比较合适

5. 调整 grid 参数

grid_x 和 grid_y 越大，空间分辨率越高，但特征维度也越高，可能过拟合。默认 8×8 通常够用。

---

十、LBPH 的优缺点

优点	缺点
原理简单，容易理解	识别准确率一般，不如深度学习方法
对光照变化不敏感	对姿态变化（侧脸）较敏感
单张图片也能训练	特征维度较高，识别速度随样本数线性下降
不要求图像尺寸一致	对表情变化、遮挡的鲁棒性一般
训练速度快

---

小结

本篇详细讲解了 LBPH 人脸识别算法的原理和实现。核心要点：

1. LBP 算子：比较中心像素和邻域像素，生成二进制编码，描述局部纹理
2. LBPH 直方图：将图像划分为单元格，每个单元格统计 LBP 直方图，拼接成特征向量
3. 识别原理：计算待识别图像与库中图像的特征距离，取最近邻作为结果
4. API 用法 ：LBPHFaceRecognizer_create → train → predict 三步走
5. 参数调优：阈值、grid 大小、训练样本数量都会影响准确率

---