从零上手！用 Python+OpenCV 实现 LBPH 人脸识别，小白也能跑通

一、写在前面人脸识别到底是什么你有没有好奇过手机的人脸解锁、门禁的刷脸开门到底是怎么认出你的其实核心逻辑很简单先 “记住” 人脸把你的多张照片喂给算法让它学习你的面部特征相当于给你建了一个 “人脸档案”再 “认出” 人脸用新的照片去和档案里的特征做对比找到最像的那个就完成了识别今天我们用LBPH局部二值模式直方图这个超适合新手的算法用 PythonOpenCV 从零实现一个人脸识别小项目全程代码可复制小白也能一步跑通二、先搞懂LBPH 到底是个啥不用怕复杂公式我们用大白话讲清楚 LBPH 的原理1. 核心思想把人脸变成 “特征直方图”LBPH 的本质是把一张人脸照片转换成一串能代表它特征的数字方便计算机对比LBP局部二值模式给人脸的每个像素点都和它周围的 8 个邻居比大小比它大就记 1小就记 0最后生成一个 8 位的二进制数相当于给这个像素打了个 “特征标签”PH直方图把整张脸分成 8×864 个小格子每个格子里统计所有像素的 LBP 标签出现的次数生成一个小直方图最终特征把 64 个小直方图拼起来就得到了这张人脸的 “专属特征串”相当于人脸的 “身份证”2. 为什么 LBPH 适合新手原理简单代码量少不用复杂的深度学习模型对光照、表情的小变化鲁棒性不错适合入门级人脸识别OpenCV 直接封装好了现成的 API不用自己从零实现算法三、环境准备3 步搞定开发环境1. 安装 Python如果还没装 Python直接去Python 官网File下载 3.9 及以上版本安装时记得勾选「Add Python to PATH」避免后续环境问题。2. 安装 OpenCV 和 NumPy打开电脑的命令提示符CMD输入下面两行命令一键安装依赖bash运行pip install opencv-python opencv-contrib-python numpyopencv-pythonOpenCV 主库用来处理图片、读取文件opencv-contrib-python包含 LBPH 人脸识别的扩展库numpy用来处理数组数据训练模型必须用3. 准备人脸图片我们需要两类图片训练集4 张2 张 A 的照片 2 张 B 的照片用来让算法 “记住” 两个人的脸比如hg1.png、hg2.pngA 的照片pyy1.png、pyy2.pngB 的照片测试集1 张1 张要识别的照片比如hg.pngA 的新照片⚠️关键注意事项所有图片必须和代码放在同一个文件夹里避免路径报错图片文件名必须和代码里写的完全一致包括大小写、后缀.png/.jpg尽量用灰度图或者让代码自动转灰度人脸尽量居中、清晰去掉多余背景四、完整代码逐行讲解小白直接复制下面是完整可运行的代码我会逐行解释每一步的作用你直接复制就能用python运行# 1. 导入需要的库 import cv2 # OpenCV库用来处理图片、人脸识别 import numpy as np # NumPy库用来处理数组数据 # # 2. 准备训练数据加载训练用的人脸照片 # # 创建一个空列表用来存所有训练图片 images [] # 用cv2.imread读取图片cv2.IMREAD_GRAYSCALE表示以灰度图读取 # 灰度图能减少计算量提升识别效率 images.append(cv2.imread(hg1.png, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(hg2.png, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(pyy1.png, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(pyy2.png, cv2.IMREAD_GRAYSCALE)) # # 3. 给训练图片打标签对应每个人的身份 # # labels列表和images列表一一对应 # hg1、hg2对应标签0代表Apyy1、pyy2对应标签1代表B labels [0, 0, 1, 1] # 创建一个字典把标签转换成我们能看懂的名字 # -1代表无法识别的人脸 dic {0: hg, 1: pyy, -1: 无法识别} # # 4. 加载待识别的测试图片 # # 读取要识别的图片同样转成灰度图 predict_image cv2.imread(hg.png, cv2.IMREAD_GRAYSCALE) # # 5. 创建LBPH人脸识别器 # # cv2.face.LBPHFaceRecognizer_create() 是OpenCV封装好的LBPH识别器 # threshold80设置置信度阈值超过80就判定为“无法识别” recognizer cv2.face.LBPHFaceRecognizer_create(threshold80) # # 6. 训练模型让算法“记住”人脸 # # recognizer.train() 用来训练模型 # 第一个参数是训练图片列表第二个参数是标签数组必须用np.array转成数组格式 recognizer.train(images, np.array(labels)) # # 7. 执行识别对比特征输出结果 # # recognizer.predict() 用来识别新图片 # 返回两个值label识别到的标签、confidence置信度 label, confidence recognizer.predict(predict_image) # # 8. 打印识别结果 # print(这人是, dic[label]) print(置信度, confidence)五、代码运行常见报错 解决方法1. 最常见报错cant open/read file: check file path/integrity报错原因代码找不到你写的图片文件解决方法检查图片是否和代码在同一个文件夹检查文件名是否完全一致比如hg.png不要写成HG.png、hg.jpg可以用绝对路径避免问题比如python运行predict_image cv2.imread(rE:\py_flie\图像拼接\hg.png, cv2.IMREAD_GRAYSCALE)前面加r是为了避免转义字符问题直接复制路径即可2. 报错cv2.error: OpenCV(3.4.18) ... error: (-215:Assertion failed)报错原因图片读取失败为空后续识别无法执行解决方法先加一个图片检查的代码避免崩溃python运行if predict_image is None: print(错误无法读取待识别图片请检查文件路径和文件名) exit()确保图片没有损坏格式正确支持 png、jpg、jpeg 等常见格式3. 置信度 0.0是好事很多同学运行后会看到plaintext这人是 hg 置信度 0.0完全不用担心这是最完美的结果LBPH 的置信度规则数值越小匹配度越高0.0 代表待识别图片和训练集中的某张图片完全一模一样算法 100% 匹配正常用新照片识别置信度会在 20~60 之间超过 80 就会判定为 “无法识别”六、核心概念详解置信度到底是什么很多小白搞不懂置信度这里用一张表讲清楚表格置信度数值含义状态0.0待识别图片和训练图片完全一致100% 完美匹配1~70人脸特征高度相似匹配成功正常识别结果80特征差距大匹配度低接近阈值可能识别错误触发 - 1 标签置信度超过 threshold我们设的 80无法识别该人脸举个例子你用训练过的hg1.png去识别置信度就是 0.0完全一样用一张没训练过的hg3.pngA 的新照片去识别置信度大概 30 左右很像用一张陌生人的照片去识别置信度会超过 80输出 “无法识别”七、项目优化让识别更准确、更实用1. 优化训练数据每个人的训练照片越多5~10 张识别越准确训练照片尽量包含不同角度、不同光照、不同表情的人脸统一图片尺寸比如都 resize 成 200×200避免尺寸差异影响识别2. 调整识别阈值threshold80是默认推荐值你可以根据需求调整想更严格不容易认错人把阈值调低比如threshold60想更宽松更容易识别把阈值调高比如threshold1003. 增加人脸检测步骤现在的代码是直接用人脸照片识别实际场景中需要先从照片里检测出人脸再识别python运行# 加载OpenCV自带的人脸检测分类器 face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) # 检测人脸 faces face_cascade.detectMultiScale(predict_image, 1.1, 4) # 遍历检测到的人脸逐个识别 for (x, y, w, h) in faces: face_img predict_image[y:yh, x:xw] # 裁剪出人脸区域 label, confidence recognizer.predict(face_img) print(f检测到人脸{dic[label]}置信度{confidence})4. 保存和加载训练好的模型训练好的模型可以保存下来下次不用重新训练python运行# 保存模型 recognizer.save(lbph_model.yml) # 加载模型 recognizer.read(lbph_model.yml)八、写在最后人脸识别的拓展方向这个 LBPH 项目是人脸识别的入门级项目适合新手理解原理实际应用中还有很多进阶方向深度学习人脸识别用 FaceNet、MTCNN、ArcFace 等模型识别准确率更高适合复杂场景实时人脸识别结合摄像头实现实时人脸检测 识别比如门禁系统多人脸识别在一张照片里识别多个人的身份活体检测防止用照片、视频冒充人脸提升安全性九、完整优化版代码带错误检查直接用最后给你一个优化后的完整代码加了错误检查、路径判断小白直接复制就能跑python运行import cv2 import numpy as np import os # 配置区修改这里的文件名和路径 # 训练图片列表 train_img_names [hg1.png, hg2.png, pyy1.png, pyy2.png] # 对应标签0hg1pyy labels [0, 0, 1, 1] # 标签对应名字 name_dict {0: hg, 1: pyy, -1: 无法识别} # 待识别图片 test_img_name hg.png # 置信度阈值 threshold 80 # # 1. 加载训练图片 images [] for img_name in train_img_names: # 检查图片是否存在 if not os.path.exists(img_name): print(f错误训练图片 {img_name} 不存在请检查文件路径) exit() # 读取图片 img cv2.imread(img_name, cv2.IMREAD_GRAYSCALE) if img is None: print(f错误无法读取训练图片 {img_name}文件可能损坏) exit() images.append(img) # 2. 加载待识别图片 if not os.path.exists(test_img_name): print(f错误待识别图片 {test_img_name} 不存在请检查文件路径) exit() predict_image cv2.imread(test_img_name, cv2.IMREAD_GRAYSCALE) if predict_image is None: print(f错误无法读取待识别图片 {test_img_name}文件可能损坏) exit() # 3. 创建LBPH人脸识别器 recognizer cv2.face.LBPHFaceRecognizer_create(thresholdthreshold) # 4. 训练模型 recognizer.train(images, np.array(labels)) # 5. 执行识别 label, confidence recognizer.predict(predict_image) # 6. 输出结果 print(*50) print(f识别结果{name_dict[label]}) print(f置信度越小越匹配{round(confidence, 2)}) if confidence threshold: print(提示置信度超过阈值识别结果可能不准确) print(*50)常见问题 QAQ1为什么我的置信度很高识别错了A大概率是训练数据太少或者人脸角度、光照差异太大。增加训练照片数量统一拍摄环境就能提升准确率。Q2可以识别更多人吗A完全可以比如要识别 3 个人就给每个人加 2 张训练照片标签对应 0、1、2字典里加对应的名字即可。Q3LBPH 和深度学习人脸识别有什么区别ALBPH 是传统机器学习算法速度快、代码简单适合小场景、入门学习深度学习算法准确率更高适合复杂场景但需要更多数据和算力。如果你跟着教程跑通了或者遇到了其他问题欢迎在评论区留言交流