一、介绍
本次实现了一个基于OpenCV的FisherFace人脸识别的小示例，先读取几张已知人脸作为训练集，再读取一张待识别图片，训练FisherFace模型并预测它属于谁，最后把识别结果用中文画在图片上显示。
二、核心代码讲解
2.1导入库
cv2：OpenCV,用于读图、缩放、人脸识别、显示图像。
numpy：用于数值操作，训练标签需要转成np.array。
PIL：Python Imaging Library，这里主要用来在OpenCV图像上绘制中文，因为OpenCV自带的cv2.putText不支持中文。
2.2中文绘制函数
cv2AddChineseText这个函数的作用是：在OpenCV图像上写中文。
img：OpenCV图像。
text：要写的中文。
position：文字左上角坐标，例如（30，10）。
textColor：RGB颜色，默认绿色（0，255，0）。
textSize：字号。
关键点：
1.OpenCV默认颜色顺序是BGR，而PIL默认是RGB。
所以先用cv2.cvtColor(img,cv2.COLOR_RGB2BGR)把OpenCV图像转成PIL能正确显示的颜色。
2.使用**ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")**加载宋体字体。
3.**draw.text(position, text, textColor, font=fontStyle)**在指定位置画文字。
4.最后再转回OpenCV的BGR格式，方便cv2.imshow显示。
2.3读取并预处理训练图片
cv2.imread(img,0):以灰度图方式读取图片。
FisherFace训练通常使用灰度图，因为颜色信息对身份识别帮助不大，还会增加计算量。
cv2.resize(a,(120 180)):把图片统一缩放成宽120、高180。所有人脸图片必须尺寸一致，否则无法训练。
images.append(a)：把处理后的图片加入全局列表images。
2.4准备训练数据并读取待预测图片
前两张是黎明，标签为0。
后两张是安志杰，标签为1。
读取待识别图片liming.png，同样转灰度并缩放到120*180
模型理想情况下应预测为0，即"黎明"。
2.5创建FisherFace识别器
这行创建一个FisherFace人脸识别模型。
FisherFace的核心思想是：
使用LDA，线性判别分析。
它不只想PCA那样保留最大方差方向，而是利用类别标签，让同类样本尽量聚在一起，不同类样本尽量分开。
因此，FisherFace通常比EigenFace更适合做分类。
OpenCV内部通常会先做PCA降维，再做LDA，避免类内散度矩阵不可逆。
threshold=5000是预测阈值：
predict()会返回一个confidence，可以理解为距离或置信度，越小表示越可信。
如果最小距离大于5000，模型就认为无法识别，返回标签-1。
2.6训练模型和预测
images:训练图片列表，每张都是120*180的灰度图。
labels：对应标签，必须转成np.array。
训练后，模型会学习如何把不同人脸投影到一个更容易区分的空间。
label：预测出的类别标签。
confidence：置信度，越小越好。
2.7结果
