一、前言

人脸识别是计算机视觉入门经典项目，相比深度学习大模型，传统 LBPH 人脸识别算法轻量化、训练快、不需要大量算力，本地离线就能运行，非常适合新手学习。 本文使用 OpenCV 内置 LBPH 识别器，仅用少量人脸样本，完成周杰伦、林俊杰二人的人脸分类识别，代码极简易懂，附带完整注释与踩坑说明。

二、LBPH 算法简单介绍

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、以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP编码图像；

2、再将LBP图像分为个区域，获取每个区域的LBP编码直方图，继而得到整幅图像的LBP编码直方图。

通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。

LBPH 全称 Local Binary Pattern Histogram（局部二进制模式直方图），核心流程：

1. 将人脸图划分小块，提取局部纹理二进制特征
2. 统计纹理特征直方图，把图片转为特征向量
3. 对比待测图与样本特征距离，返回分类标签与置信度 优势：对光照轻微变化鲁棒，无需 GPU，运行速度快。

三、环境安装

新版 opencv 把人脸相关模块拆分，必须安装两个包：

pip install opencv-python
pip install opencv-contrib-python

只装 opencv-python 会报找不到cv2.face模块。

四、完整项目代码

import cv2
import numpy as np

# 1. 加载训练人脸图片（灰度图）
images = []
# 周杰伦样本3张
images.append(cv2.imread('zjj1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('zjj2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('zjj3.jpg', cv2.IMREAD_GRAYSCALE))
# 林俊杰样本3张
images.append(cv2.imread('ljj1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('ljj2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('ljj3.jpg', cv2.IMREAD_GRAYSCALE))

# 2. 对应标签：0代表周杰伦，1代表林俊杰
labels = [0, 0, 0, 1, 1, 1]
# 标签映射字典，方便打印中文名称
name_dic = {0: '周杰伦', 1: '林俊杰', -1: '无法识别'}

# 3. 待识别图片
predict_image = cv2.imread('2222.jpg', cv2.IMREAD_GRAYSCALE)

# 4. 创建LBPH人脸识别器，threshold阈值80，超过阈值判定无法识别
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)
# 训练模型，labels转为numpy数组
recognizer.train(images, np.array(labels))

# 5. 预测识别
label, confidence = recognizer.predict(predict_image)

# 输出结果
print('识别结果：', name_dic[label])
print('匹配置信度：', confidence)

五、代码逐行解析

1. 灰度图读取 cv2.IMREAD_GRAYSCALE直接读取灰度图像，LBPH 算法仅支持单通道灰度图，彩色图必须转灰度。
2. 样本与标签对应 3 张周杰伦对应标签 0，3 张林俊杰对应标签 1，一一匹配，训练时模型通过标签区分不同人物。
3. LBPH 识别器创建 threshold=80是匹配阈值：置信度数值越小代表匹配度越高；若相似度超过阈值，会返回 - 1 判定无法识别。
4. 模型训练 train () 输入图片列表 + numpy 格式标签数组，完成特征提取与存储。
5. predict 预测 返回两个值：label 匹配标签、confidence 置信度分数。

六、文件目录说明

把所有人脸图片和 py 代码放在同一个文件夹，文件名保持一致：

plaintext

项目文件夹
├─ zjj1.jpg
├─ zjj2.jpg
├─ zjj3.jpg
├─ ljj1.jpg
├─ ljj2.jpg
├─ ljj3.jpg
├─ 2222.jpg  # 待识别图片
└─ face_rec.py  # 运行代码

七、运行结果示例

识别结果：周杰伦
匹配置信度：42.68

数值越低，人脸匹配相似度越高；分数接近 / 大于 80，识别会判定为陌生人。

八、常见报错与解决

1. AttributeError: module 'cv2' has no attribute 'face' 解决：安装opencv-contrib-python，版本和 opencv-python 保持一致。
2. 输出 None、识别全部乱码 解决：图片路径错误、文件名写错、图片损坏，检查图片是否正常读取。
3. 识别准确率极低 解决：样本人脸尽量正面、光线均匀，裁剪只保留人脸区域，减少背景干扰。

九、总结

LBPH 传统人脸识别适合简单场景、小型数据集，上手门槛极低。如果需要更高精度、复杂场景识别，可以后续学习 MTCNN 人脸检测 + 深度学习人脸识别方案。 本项目可拓展：批量读取文件夹人脸、保存训练模型、调用摄像头实时识别。