文章目录
前言
本文详细介绍基于 OpenCV 的 LBPH（Local Binary Patterns Histograms）人脸识别算法原理与实战流程，包含数据集准备、模型训练、实时识别等关键步骤，并提供完整 Python 代码示例，适合入门级开发者快速掌握传统人脸识别技术。
一、LBPH 算法原理概述
LBPH(Local Binary Patterns Histogram，局部二值模式直方图)算法使用的模型基于LBP(Local Binary Pattern，局部二值模式)算法。LBP 算法最早是被作为一种有效的纹理描述算提出的，因在表述图像局部纹理特征方面效果出众而得到广泛应用。
1、LBP 特征计算
LBP（Local Binary Pattern）即局部二值模式，最初用于纹理分析，后被引入人脸识别领域。其核心思想是：以像素点为中心，取半径为 R 的圆形邻域（通常取 8 邻域），将邻域像素值与中心像素值比较，大于等于中心值记为 1，否则记为 0，生成 8 位二进制数，转换为十进制后作为该像素的 LBP 特征值。
公式表示：
( LBP(x_c,y_c) = \sum_{i=0}^{7} s(g_i - g_c)2^i )
其中，( s(x) = \begin{cases} 1, & x \geq 0 \ 0, & x < 0 \end{cases} )，( g_c )为中心像素值，( g_i )为邻域像素值。
2、均匀模式与旋转不变性
均匀模式：二进制串中 0 到 1 或 1 到 0 的跳变次数不超过 2 次，用于减少特征维度（原 256 种模式压缩为 59 种）。
旋转不变性：通过循环移位取最小值，使特征对旋转具有鲁棒性。
3、直方图统计与识别
对图像分块计算 LBP 特征，生成局部直方图。
合并所有块的直方图得到全局特征向量。
人脸识别时通过比较直方图的巴氏距离或卡方距离实现分类。
二、环境准备
1、安装依赖
pip install opencv-python numpy
2、数据集结构
使用标准人脸数据集（如 ORL），目录结构如下：
plaintext
dataset/
├── person0/ # 标签0
│ ├── 1.jpg
│ └── …
├── person1/ # 标签1
│ └── …
…
三、代码实现（完整代码约 150 行）
1、导入库与配置
import cv2
import os
import numpy as np
# 路径配置
DATASET_DIR = 'dataset/' # 数据集路径
CASCADE_PATH = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' # 人脸检测器
MODEL_PATH = 'trainer.yml' # 训练模型保存路径
# 初始化组件
face_detector = cv2.CascadeClassifier(CASCADE_PATH)
recognizer = cv2.face.LBPHFaceRecognizer_create()
2、加载数据与标签生成
def load_dataset():
"""加载数据集并生成标签（文件夹名即标签ID）"""
faces, labels = [], []
# 遍历数据集目录，标签为文件夹索引
for label, name in enumerate(os.listdir(DATASET_DIR)):
folder_path = os.path.join(DATASET_DIR, name)
for img_name in os.listdir(folder_path):
img_path = os.path.join(folder_path, img_name)
# 直接读取灰度图像
gray_img = cv2.imread(img_path, 0)
faces.append(gray_img)
labels.append(label)
return np.array(faces), np.array(labels)
3、 模型训练与保存
def train_model():
"""训练并保存LBPH模型"""
print("开始训练...")
faces, labels = load_dataset()
recognizer.train(faces, labels)
recognizer.write(MODEL_PATH)
print(f"训练完成！共处理{len(faces)}张人脸，保存模型至{MODEL_PATH}")
4、 实时人脸识别
def real_time_detect():
"""启动摄像头实时识别"""
cap = cv2.VideoCapture(0) # 0表示默认摄像头，可改为视频文件路径
while True:
ret, frame = cap.read()
if not ret:
break
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 检测人脸（参数可根据性能调整）
faces = face_detector.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)
for (x, y, w, h) in faces:
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) # 画检测框
face_roi = gray[y:y+h, x:x+w] # 提取人脸区域
# 预测身份与置信度（数值越小匹配度越高）
label, confidence = recognizer.predict(face_roi)
# 设定阈值（经验值：<70视为有效识别）
text = f"ID:{label} ({confidence:.0f})" if confidence < 70 else "Unknown"
cv2.putText(frame, 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'): # 按'q'退出
break
cap.release()
cv2.destroyAllWindows()
5、主流程调用
if __name__ == "__main__":
train_model() # 首次运行需先训练模型
real_time_detect() # 启动实时识别
四、运行效果与参数说明
1、 输出示例
- 置信度解读：数值表示匹配误差，通常阈值设为 50-70（需根据数据集调整）。
- 性能：在普通 CPU 上可达到 15-20 FPS，适合轻量级场景。
2、 关键参数调整
#初始化时可调整LBPH参数（默认值见注释）
recognizer = cv2.face.LBPHFaceRecognizer_create(
radius=1, # LBP邻域半径（1-3，越大越模糊）
neighbors=8, # 邻域像素数（4-16，越大特征越鲁棒）
grid_x=8, # 水平分块数（默认8，分块越细特征越局部）
grid_y=8, # 垂直分块数
)
五、优化建议
数据增强：
对图像添加光照变化、旋转等预处理（如cv2.flip翻转、直方图均衡化）。
检测升级：
替换为更精准的人脸检测器（如 MTCNN 或深度学习模型）。
后处理优化：
对连续帧识别结果做投票表决，减少误检。
完整代码仓库：https://github.com/yourusername/opencv-lbph-demo
六、总结
优点：代码轻量、训练速度快、无需 GPU，适合入门学习和简单场景（如门禁、考勤）。
缺点：对复杂光照和姿态变化鲁棒性较差，现代场景更推荐深度学习方案（如 FaceNet）。