在人工智能飞速发展的今天，人脸识别已经成为我们生活中无处不在的技术 —— 手机解锁、刷脸支付、门禁考勤、安防监控等场景，都离不开人脸识别技术的支撑。对于 Python 开发者而言，OpenCV 库提供了开箱即用的人脸识别接口，无需深入底层算法原理，就能快速实现简易的人脸检测与识别功能。

本文将基于 OpenCV 库，手把手带你实现LBPH、EigenFace、FisherFace三种经典的人脸识别算法，从环境搭建、数据准备、代码编写到效果测试，全程实战讲解。同时解决 OpenCV 原生不支持中文标注的痛点，实现中文识别结果可视化展示。无论你是 Python 初学者，还是计算机视觉入门爱好者，都能通过本文快速掌握人脸识别的基础实现方法。

一、环境准备与核心库介绍

1.1 核心库与算法原理

1. OpenCV：开源计算机视觉库，内置了三种经典的静态人脸识别算法，无需训练复杂模型，适合轻量级人脸识别场景；
2. NumPy：Python 数值计算基础库，用于处理图像数据的数组转换，满足算法训练的数据格式要求；
3. PIL：Python 图像处理库，弥补 OpenCV 无法直接绘制中文的缺陷，实现识别结果中文标注；

三大人脸识别算法核心区别

• LBPH（局部二值模式直方图）：基于局部纹理特征，对光照、姿态变化鲁棒性强，支持任意尺寸图像，是最常用的人脸识别算法；
• EigenFace（特征脸）：基于主成分分析（PCA），将人脸降维为特征向量，计算速度快，但对图像尺寸、光照要求严格；
• FisherFace（费舍尔脸）：基于线性判别分析（LDA），在 EigenFace 基础上优化了分类能力，区分不同人脸的效果更优，同样要求图像尺寸统一。

二、数据集准备

人脸识别的第一步是准备训练数据，我们采用二分类人脸数据集，区分迪丽热巴和杨幂两位人物，数据集结构如下：

train_data/
├─ 0/        # 标签0：迪丽热巴
│  ├─ rb.png
│  ├─ rb1.png
│  └─ rb2.png
└─ 1/        # 标签1：杨幂
   ├─ ym1.png
   ├─ ym2.png
   └─ ym3.png

数据集要求

1. 所有图片均为灰度图像（人脸识别算法对灰度图处理效率更高）；
2. EigenFace 和 FisherFace 算法要求所有训练图像、预测图像尺寸完全一致；
3. 图片中仅包含单一人脸，无过多背景干扰，保证识别准确率。

小贴士：建议提前用截图工具裁剪人脸区域，剔除多余背景，提升识别准确率。

三、算法一：LBPH 人脸识别实现

LBPH 是 OpenCV 中最灵活、最易用的人脸识别算法，无需统一图像尺寸，对环境适应性最强，适合入门首选。

3.1 完整代码实现

# 导入依赖库
import cv2
import numpy as np

# 1. 加载训练图像与标签
# 定义空列表存储训练图像
images = []
# 以灰度模式读取迪丽热巴的人脸图片（标签0）
images.append(cv2.imread('train_data/0/rb.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('train_data/0/rb1.png', cv2.IMREAD_GRAYSCALE))
# 以灰度模式读取杨幂的人脸图片（标签1）
images.append(cv2.imread('train_data/1/ym1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('train_data/1/ym2.png', cv2.IMREAD_GRAYSCALE))

# 定义标签：与图像一一对应，0=迪丽热巴，1=杨幂
labels = [0, 0, 1, 1]
# 定义结果映射字典
dic = {0: '迪丽热巴', 1: '杨幂', -1: '无法识别'}

# 2. 加载待预测的图像
predict_img = cv2.imread('train_data/1/ym3.png', cv2.IMREAD_GRAYSCALE)

# 3. 初始化LBPH人脸识别器
# threshold：置信度阈值，超过该值则判定为无法识别
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# 4. 训练模型
# 传入训练图像列表和标签数组（需转换为numpy数组）
recognizer.train(images, np.array(labels))

# 5. 执行预测
# 返回值：预测标签、置信度
label, confidence = recognizer.predict(predict_img)

# 6. 输出结果
print('识别结果：', dic[label])
print('置信度：', confidence)

3.2 代码核心解析

1. 图像读取：cv2.IMREAD_GRAYSCALE表示以灰度模式读取图像，这是人脸识别的标准格式；
2. 标签定义：标签必须是整数类型，与训练图像一一对应，保证模型训练的准确性；
3. LBPH 初始化：threshold为置信度阈值，数值越小，识别越严格，超过阈值则返回 - 1（无法识别）；
4. 模型训练：train()方法接收图像列表和 numpy 格式的标签数组，完成模型训练；
5. 预测结果：predict()回预测标签和置信度，置信度数值越小，识别结果越准确。

3.3 运行结果

置信度 76.9001532691603 小于阈值 80，识别成功，结果准确。

四、算法二：EigenFace 人脸识别实现

EigenFace 是基于降维思想的人脸识别算法，必须保证所有图像尺寸完全一致，计算速度快，适合对性能要求高的场景。

4.1 完整代码实现

import cv2
import numpy as np

# 1. 统一图像尺寸并加载训练数据
images = []
# 读取图像并resize为统一尺寸(120,100)
a = cv2.imread('train_data/0/rb1.png', 0)  # 0等价于IMREAD_GRAYSCALE
a = cv2.resize(a, (120, 100))
images.append(a)

b = cv2.imread('train_data/0/rb2.png', 0)
b = cv2.resize(b, (120, 100))
images.append(b)

c = cv2.imread('train_data/1/ym3.png', 0)
c = cv2.resize(c, (120, 100))
images.append(c)

d = cv2.imread('train_data/1/ym2.png', 0)
d = cv2.resize(d, (120, 100))
images.append(d)

# 定义标签
labels = [0, 0, 1, 1]

# 2. 加载并预处理预测图像（尺寸必须与训练图一致）
pre_image = cv2.imread('train_data/1/ym1.png', 0)
pre_image = cv2.resize(pre_image, (120, 100))

# 3. 初始化EigenFace识别器
recognizer = cv2.face.EigenFaceRecognizer_create(threshold=5000)

# 4. 训练与预测
recognizer.train(images, np.array(labels))
label, confidence = recognizer.predict(pre_image)

# 5. 结果映射与输出
dic = {0: '迪丽热巴', 1: '杨幂', -1: '无法识别'}
print('识别结果：', dic[label])
print('置信度：', confidence)

# 6. 可视化结果：在原图上标注识别结果
img = cv2.imread('train_data/1/ym1.png').copy()
# 添加英文文字（OpenCV原生不支持中文）
result_img = cv2.putText(img, 'ym', (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
                         0.9, (0, 0, 255), 2)
# 显示图像
cv2.imshow('xx', result_img)
cv2.waitKey(0)  # 按下任意键关闭窗口

4.2 核心注意事项

1. 尺寸统一：EigenFace 算法强制要求所有图像尺寸相同，必须使用cv2.resize()预处理；
2. 阈值设置：EigenFace 的置信度数值较大，阈值通常设置为 5000 左右；
3. 中文限制：OpenCV 原生putText函数不支持中文，会显示为乱码，本文后续会解决该问题。

4.3 运行效果

控制台输出识别结果，弹窗显示带标注的人脸图像，直观展示识别效果。

五、算法三：FisherFace 人脸识别 + 中文标注实现

FisherFace 是 EigenFace 的优化版本，分类能力更强，同样要求图像尺寸统一。同时，我们通过 PIL 库解决OpenCV 中文标注乱码问题，实现专业的可视化效果。

5.1 中文标注核心函数

OpenCV 无法直接绘制中文，我们封装cv2AddChineseText函数，实现中文文字绘制：

from PIL import Image, ImageDraw, ImageFont

def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):
    """
    OpenCV图像添加中文文字
    :param img: OpenCV读取的图像
    :param text: 中文文字内容
    :param position: 文字位置(x,y)
    :param textColor: 文字颜色(RGB)
    :param textSize: 文字大小
    :return: 带中文的OpenCV图像
    """
    # 判断是否为OpenCV图像（numpy数组）
    if isinstance(img, np.ndarray):
        # 转换为PIL图像格式
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    
    # 创建绘图对象
    draw = ImageDraw.Draw(img)
    # 设置字体：宋体，支持中文
    fontStyle = ImageFont.truetype('simsun.ttc', textSize, encoding='utf-8')
    # 绘制中文
    draw.text(position, text, textColor, font=fontStyle)
    
    # 转换回OpenCV图像格式
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

5.2 FisherFace 完整代码

import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont

# 中文标注函数（同上）
def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):
    if isinstance(img, np.ndarray):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    fontStyle = ImageFont.truetype('simsun.ttc', textSize, encoding='utf-8')
    draw.text(position, text, textColor, font=fontStyle)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

# 封装图像加载与预处理函数
def image_preprocess(image_path, image_list):
    # 读取灰度图
    img = cv2.imread(image_path, 0)
    # 统一尺寸：120x180
    img = cv2.resize(img, (120, 180))
    image_list.append(img)

# 1. 加载训练数据
images = []
image_preprocess('train_data/0/rb1.png', images)
image_preprocess('train_data/0/rb2.png', images)
image_preprocess('train_data/1/ym1.png', images)
image_preprocess('train_data/1/ym2.png', images)

labels = [0, 0, 1, 1]

# 2. 预处理预测图像
pre_image = cv2.imread('train_data/1/ym3.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))

# 3. 初始化FisherFace识别器
recognizer = cv2.face.FisherFaceRecognizer_create(threshold=5000)

# 4. 训练与预测
recognizer.train(images, np.array(labels))
label, confidence = recognizer.predict(pre_image)

# 5. 结果处理
dic = {0: '迪丽热巴', 1: '杨幂', -1: '无法识别'}
print('识别结果：', dic[label])
print('置信度：', confidence)

# 6. 中文可视化
original_img = cv2.imread('train_data/1/ym3.png').copy()
# 添加中文标注
result_img = cv2AddChineseText(original_img, dic[label], (30, 10), textColor=(255, 0, 0), textSize=40)

# 显示最终效果
cv2.imshow('xx', result_img)
cv2.waitKey(0)

5.3 核心亮点

1. 函数封装：将图像预处理封装为函数，代码更简洁、复用性更强；
2. 中文标注：完美解决 OpenCV 中文乱码问题，展示专业的识别效果；
3. 算法优化：FisherFace 相比 EigenFace，对相似人脸的区分能力更优，准确率更高。

六、三大算法对比与总结

6.1 算法性能对比表

算法	图像尺寸要求	光照适应性	计算速度	适用场景
LBPH	无要求	强	中等	通用场景、入门首选
EigenFace	必须统一	弱	快	性能优先、环境固定场景
FisherFace	必须统一	中等	中等	高精度分类场景

6.2 关键知识点总结

1. 图像格式：人脸识别优先使用灰度图，减少计算量，提升效率；
2. 置信度规则：三种算法的置信度数值越小，识别结果越准确；
3. 阈值调整：LBPH 阈值建议 50-100，EigenFace/FisherFace 建议 5000 左右；
4. 中文解决方案：通过 PIL 库转换图像格式，实现 OpenCV 中文标注；
5. 数据集优化：人脸裁剪越精准、背景越干净，识别准确率越高。

七、拓展与进阶方向

本文实现的是静态人脸识别，基于本地图片完成训练与预测，在此基础上，你可以进一步拓展：

1. 实时人脸识别：调用电脑摄像头，实现实时人脸检测与识别；
2. 多分类识别：增加更多人物标签，实现多人脸识别；
3. 人脸检测预处理：结合cv2.CascadeClassifier实现自动人脸裁剪；
4. 模型保存：将训练好的模型保存为.xml 文件，无需重复训练；
5. 深度学习人脸识别：基于 MTCNN、FaceNet 等深度学习模型，实现高精度识别。

结语

本文通过三段实战代码，详细讲解了 OpenCV 中 LBPH、EigenFace、FisherFace 三种人脸识别算法的实现方法，从环境搭建、数据准备到代码优化、中文可视化，覆盖了人脸识别的全流程。OpenCV 让人脸识别技术变得触手可及，即使是零基础的开发者，也能快速实现属于自己的人脸识别程序。

人脸识别是计算机视觉领域的经典应用，掌握基础算法后，你可以逐步深入深度学习领域，探索更强大的视觉技术。希望本文能为你的计算机视觉学习之路打下坚实的基础，动手实践起来，感受人工智能的魅力！