使用OpenCV实现LBPH人脸识别需安装opencv-contrib-python，通过Haar级联检测人脸并采集灰度图像作为训练样本，提取标签后训练LBPH模型，保存为文件，再加载模型进行实时识别，利用摄像头捕获画面检测人脸并预测身份，适用于小规模场景。
要使用Python实现基于LBPH（Local Binary Pattern Histogram）的人脸识别，主要依赖OpenCV库。LBPH是一种简单但有效的纹理分类算法，适合用于人脸这种具有局部结构特征的图像识别任务。
1. 安装所需库
确保已安装OpenCV和NumPy：
pip install opencv-python opencv-contrib-python numpy
注意：LBPH人脸识别器位于cv2.face.LBPHFaceRecognizer_create()，属于contrib模块，因此必须安装open，否则会报错“module 'cv2' has no attribute 'face'”。
cv-contrib-python
2. 数据准备与人脸检测
你需要一组带标签的人脸图像用于训练。通常流程如下：
- 使用Haar级联或其它方法检测人脸区域
- 将人脸裁剪并灰度化，作为训练样本
- 为每个人分配一个唯一标签（如ID=1代表张三）
示例代码片段（采集人脸数据）：
import cv2 import os创建保存人脸数据的目录
if not os.path.exists('faces'): os.makedirs('faces')
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') cap = cv2.VideoCapture(0) count = 0 user_id = input("请输入用户ID: ")
while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2) count += 1 # 保存裁剪后的人脸图像 cv2.imwrite(f'faces/user_{user_id}_{count}.jpg', gray[y:y+h, x:x+w]) cv2.imshow('Collecting Faces', frame) if cv2.waitKey(1) == ord('q') or count >= 50: # 采集50张图像 breakcap.release() cv2.destroyAllWindows()
3. 训练LBPH模型
读取所有采集的人脸图像和对应标签，训练LBPH识别器。
import cv2 import os import numpy as npdef load_dataset(): faces = [] labels = [] path = 'faces' for file in os.listdir(path): if file.endswith('.jpg'): img_path = os.path.join(path, file) img = cv2.imread(img_path, 0) # 灰度读取 faces.append(img)
从文件名提取标签（如 user_1_1.jpg -> label=1）
label = int(file.split('_')[1]) labels.append(label) return faces, labels加载数据
faces, labels = load_dataset()
创建LBPH识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
训练模型
recognizer.train(faces, np.array(labels))
保存模型（可选）
recognizer.save('lbph_model.yml')
4. 实时人脸识别
加载训练好的模型，在摄像头画面中识别人脸并标注身份。
import cv2加载训练好的模型
recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read('lbph_model.yml')
加载人脸检测器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces: roi_gray = gray[y:y+h, x:x+w] id_, confidence = recognizer.predict(roi_gray) # confidence越低表示匹配越好，通常zuojiankuohaophpcn100认为较可靠 if confidence zuojiankuohaophpcn 100: label_text = f"User {id_}" else: label_text = "Unknown" cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.putText(frame, label_text, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imshow('Face Recognition', frame) if cv2.waitKey(1) == ord('q'): breakcap.release() cv2.destroyAllWindows()
基本上就这些。整个流程包括数据采集、训练模型、实时识别三个阶段。LBPH对光照变化有一定鲁棒性，但在姿态、遮挡等复杂场景下效果有限。适合小规模应用，如门禁系统、考勤打卡等。
