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：

1. 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”
2. 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 Python+OpenCV 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 8×8=64 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 numpy

• opencv-python：OpenCV 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.png（A 的照片），pyy1.png、pyy2.png（B 的照片）
• 测试集（1 张）：1 张要识别的照片，比如hg.png（A 的新照片）

⚠️ 关键注意事项：

1. 所有图片必须和代码放在同一个文件夹里，避免路径报错
2. 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）
3. 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A），pyy1、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
# threshold=80：设置置信度阈值，超过80就判定为“无法识别”
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# ==============================================
# 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：can't 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(r'E:\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.png（A 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

threshold=80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threshold=60
• 想更宽松（更容易识别）：把阈值调高，比如threshold=100

3. 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:y+h, x:x+w]  # 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：

1. 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
2. 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
3. 多人脸识别：在一张照片里识别多个人的身份
4. 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：0=hg，1=pyy
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(threshold=threshold)

# 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 Q&A

Q1：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。

Q3：LBPH 和深度学习人脸识别有什么区别？

A：LBPH 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！