目录

一、先搞懂：LBPH 算法的核心原理

1. LBP 算子：给每个像素 “贴标签”

2. LBPH：把局部特征 “拼” 成全局特征

二、实战：用 Python 实现 LBPH 人脸识别

1. 环境准备

2. 完整代码实现（附详细注释）

步骤 1：图像预处理

步骤 2：创建 LBPH 人脸识别器

步骤 3：训练模型

步骤 4：预测识别

​编辑

三、关键注意事项（避坑指南）

四、扩展应用场景

总结

---

在计算机视觉领域，人脸识别是最热门的应用方向之一。而LBPH（局部二值模式直方图）算法作为经典的人脸识别方案，凭借轻量、易实现、对光照变化鲁棒的特点，成为入门学习者的首选。本文将从算法原理出发，一步步带你用 Python+OpenCV 实现完整的人脸识别流程，新手也能轻松上手！

一、先搞懂：LBPH 算法的核心原理

LBPH 算法并非凭空设计，它是在LBP（局部二值模式）算子的基础上扩展而来。想要用好它，得先明白两个核心概念：LBP 特征和直方图统计。

1. LBP 算子：给每个像素 “贴标签”

LBP 的核心思想很简单：通过对比像素与其周围邻居的灰度值，用二进制数描述像素的局部纹理特征。具体步骤如下：

1. 确定中心像素：选择图像中的一个像素作为中心，通常取其周围 8 个相邻像素（3x3 窗口）。
2. 灰度值对比：将中心像素的灰度值与每个相邻像素比较。若相邻像素灰度≥中心像素，标记为 “1”；否则标记为 “0”。
3. 生成 LBP 值：按顺时针（或逆时针）顺序将 8 个标记组成 8 位二进制数，再转换为十进制数，这个数就是该中心像素的LBP 值。

2. LBPH：把局部特征 “拼” 成全局特征

单个像素的 LBP 值只能描述局部纹理，而 LBPH 算法通过 “分块统计直方图”，将局部特征整合为全局特征，步骤如下：

1. 图像分块：将整幅图像均匀划分为多个小区域（比如 8x8=64 个块），每个块独立处理。
2. 块内直方图统计：对每个小区域，统计所有像素 LBP 值的出现次数，生成该区域的 LBP 直方图。
3. 拼接特征向量：将所有小区域的直方图按顺序拼接，形成一个长向量，这就是整幅图像的LBPH 特征向量。
4. 相似度计算：对于两张人脸图像，通过计算它们 LBPH 特征向量的距离（如欧几里得距离、余弦相似度），判断是否为同一人。距离越小，匹配度越高。

二、实战：用 Python 实现 LBPH 人脸识别

理解原理后，我们直接上代码。整个流程分为 4 步：图像预处理、创建 LBPH 识别器、训练模型、预测识别。

1. 环境准备

首先确保安装了必备库，OpenCV 需要额外安装opencv-contrib-python（包含 LBPH 相关模块）：

pip install opencv-python opencv-contrib-python numpy

2. 完整代码实现（附详细注释）

步骤 1：图像预处理

先准备训练数据（人脸图像）和测试数据，注意所有图像需转为灰度图（LBPH 算法基于灰度值计算）。

import cv2
import numpy as np

# ---------------------- 1. 数据准备 ----------------------
# 1.1 加载训练图像（建议同一人的图像拍摄角度/光照略有差异，提升泛化性）
# 这里用4张训练图：前2张是“yf”，后2张是“zrn”
train_images = [
    cv2.imread("f1.jpg", cv2.IMREAD_GRAYSCALE),  # 灰度图读取
    cv2.imread("f2.jpg", cv2.IMREAD_GRAYSCALE),
    cv2.imread("z1.jpg", cv2.IMREAD_GRAYSCALE),
    cv2.imread("z2.jpg", cv2.IMREAD_GRAYSCALE)
]

# 1.2 给训练图像打标签（同一人标签相同，不同人标签不同）
train_labels = [0, 0, 1, 1]  # 0→yf，1→zrn

# 1.3 标签与姓名的映射（方便最终输出结果）
label_name = {0: "yf", 1: "zrn", -1: "无法识别"}

# 1.4 加载待识别的测试图像（同样转为灰度图）
test_image = cv2.imread("f_test.jpg", cv2.IMREAD_GRAYSCALE)

步骤 2：创建 LBPH 人脸识别器

使用 OpenCV 内置的LBPHFaceRecognizer_create()函数，关键参数说明如下：

• radius：LBP 算子的半径（默认 1，无需修改）。
• neighbors：采样点数量（默认 8，对应 3x3 窗口）。
• grid_x/grid_y：图像分块数（默认 8x8，即 64 个块）。
• threshold：识别阈值（核心参数！超过阈值则判定为 “无法识别”，建议设 80）。

# ---------------------- 2. 创建LBPH识别器 ----------------------
# 设置阈值为80：置信度＞80则认为匹配失败
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

步骤 3：训练模型

调用train()方法，用准备好的训练图像和标签训练模型。注意train_labels需转为 numpy 数组。

# ---------------------- 3. 训练模型 ----------------------
# 传入训练数据和标签（标签需为numpy数组格式）
recognizer.train(train_images, np.array(train_labels))
print("模型训练完成！")

步骤 4：预测识别

调用predict()方法对测试图像进行识别，返回两个结果：label（预测标签）和confidence（置信度）。

• 置信度：值越小，匹配度越高；若＞阈值（80），则标签返回 - 1（无法识别）。

# ---------------------- 4. 预测与结果输出 ----------------------
# 对测试图像进行识别
pred_label, confidence = recognizer.predict(test_image)

# 根据预测标签映射姓名
pred_name = label_name[pred_label]

# 输出结果
print(f"识别结果：{pred_name}")
print(f"置信度（越小匹配度越高）：{confidence:.2f}")

# （可选）显示测试图像和识别结果
# 将灰度图转为BGR图（OpenCV显示默认BGR），方便添加文字
test_image_bgr = cv2.cvtColor(test_image, cv2.COLOR_GRAY2BGR)
# 在图像上绘制文字
cv2.putText(
    test_image_bgr, 
    f"Name: {pred_name}", 
    (10, 30),  # 文字位置
    cv2.FONT_HERSHEY_SIMPLEX, 
    1,  # 字体大小
    (0, 255, 0),  # 文字颜色（绿色）
    2  # 文字粗细
)
# 显示图像
cv2.imshow("Recognition Result", test_image_bgr)
# 等待按键关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

三、关键注意事项（避坑指南）

1. 图像格式统一：所有训练和测试图像必须是灰度图，彩色图会导致算法报错。
2. 阈值调整：threshold是核心参数！若经常 “误识别”，可适当降低阈值（如 70）；若经常 “无法识别”，可适当提高（如 90）。
3. 训练数据质量：
   • 同一人的训练图像建议≥2 张，且包含不同角度、光照（避免全是正面强光图）。
   • 图像尺寸建议统一（如 200x200 像素），减少预处理差异。
4. 置信度解读：不要只看标签，需结合置信度判断。例如置信度 75（接近阈值），即使标签正确，也可能是误匹配。

四、扩展应用场景

LBPH 算法不仅能做人脸识别，还可用于：

• 纹理分类：区分木纹、布料、纸张等不同纹理的材料。
• 表情识别：基于面部纹理变化（如皱眉、微笑）判断表情。
• 目标检测辅助：提取局部纹理特征，辅助定位图像中的特定目标。

总结

本文从原理到代码，完整讲解了 LBPH 算法的实现流程。核心在于理解 “LBP 特征提取” 和 “分块直方图统计”，而 OpenCV 的内置函数已经帮我们封装了复杂的计算，只需关注数据准备和参数调整即可。

如果你是计算机视觉新手，建议先从修改训练数据开始（替换成自己的照片），再尝试调整threshold、grid_x等参数，观察识别结果的变化，逐步掌握算法的调优技巧。