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，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opencv-contrib-python，否则会报错“module ‘cv2’ has no attribute ‘face’”。
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：
立即学习“”；
- 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 <h1>创建保存人脸数据的目录</h1><p>if not os.path.exists('faces'): os.makedirs('faces')</p><p>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: ")</p><p>while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5)</p><pre class='brush:python;toolbar:false;'>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 break
cap.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 np <p>def 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)</p><h1>从文件名提取标签（如 user_1_1.jpg -> label=1）</h1><pre class='brush:python;toolbar:false;'> label = int(file.split('_')[1]) labels.append(label) return faces, labels
加载数据
faces, labels = load_dataset()
媒体包提供了可管理各种媒体类型的类。这些类可提供用于执行音频和视频操作。除了基本操作之外，还可提供铃声管理、脸部识别以及音频路由控制。本文说明了音频和视频操作。 本文旨在针对希望简单了解Android编程的初学者而设计。本文将指导你逐步开发使用媒体（音频和视频）的应用程序。本文假定你已安装了可开发应用程序的Android和必要的工具，同时还假定你已熟悉Java或掌握面向对象的编程概念。感兴趣的朋友可以过来看看
0 创建LBPH识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
训练模型
recognizer.trn(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 <h1>加载训练好的模型</h1><p>recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read('lbph_model.yml')</p><h1>加载人脸检测器</h1><p>face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')</p><p>cap = cv2.VideoCapture(0)</p><p>while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5)</p><pre class='brush:python;toolbar:false;'>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<100认为较可靠 if confidence < 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'): break
cap.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。
以上就是基于LBPH的操作的详细内容，更多请关注php中文网其它相关文章！
微信扫一扫打赏
支付宝扫一扫打赏
