使用opencv实现lbph人脸识别需安装opencv-contrib-python，通过haar级联检测人脸并采集灰度图像作为训练样本，提取标签后训练lbph模型，保存为文件，再加载模型进行实时识别，利用摄像头捕获画面检测人脸并预测身份，适用于小规模场景。
要使用Python实现基于LBPH（Local Binary Pattern Histogram）的人脸识别，主要依赖OpenCV库。LBPH是一种简单但有效的纹理分类算法，适合用于人脸这种具有局部结构特征的图像识别任务。
1. 安装所需库
确保已安装OpenCV和NumPy：
pip install opencv-python opencv-contrib-python numpy
注意：LBPH人脸识别器位于cv2.face.LBPHFaceRecognizer_create()，属于contrib模块，因此必须安装opencv-contrib-python，否则会报错“module 'cv2' has no attribute 'face'”。
2. 数据准备与人脸检测
你需要一组带标签的人脸图像用于训练。通常流程如下：
立即学习“Python免费学习笔记（深入）”；
- 使用Haar级联或其它方法检测人脸区域
- 将人脸裁剪并灰度化，作为训练样本
- 为每个人分配一个唯一标签（如ID=1代表张三）
示例代码片段（采集人脸数据）：
import cv2
import os
<h1>创建保存人脸数据的目录</h1><p>if not os.path.exists('faces'):
os.makedirs('faces')</p><p>face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
count = 0
user_id = input("请输入用户ID: ")</p><p>while True:
ret, frame = cap.read()
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)</p><pre class='brush:python;toolbar:false;'>for (x, y, w, h) in faces:
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
count += 1
# 保存裁剪后的人脸图像
cv2.imwrite(f'faces/user_{user_id}_{count}.jpg', gray[y:y+h, x:x+w])
cv2.imshow('Collecting Faces', frame)
if cv2.waitKey(1) == ord('q') or count >= 50: # 采集50张图像
breakcap.release() cv2.destroyAllWindows()
3. 训练LBPH模型
读取所有采集的人脸图像和对应标签，训练LBPH识别器。
import cv2
import os
import numpy as np
<p>def load_dataset():
faces = []
labels = []
path = 'faces'
for file in os.listdir(path):
if file.endswith('.jpg'):
img_path = os.path.join(path, file)
img = cv2.imread(img_path, 0) # 灰度读取
faces.append(img)</p><h1>从文件名提取标签（如 user_1_1.jpg -> label=1）</h1><pre class='brush:python;toolbar:false;'> label = int(file.split('_')[1])
labels.append(label)
return faces, labels加载数据
faces, labels = load_dataset()
乐彼多用户商城系统，采用ASP.NET分层技术和AJAX技术，运营于高速稳定的微软.NET+MSSQL 2005平台；完全具备搭建超大型网络购物多用户网上商城的整体技术框架和应用层次LBMall 秉承乐彼软件优秀品质，后台人性化设计，管理窗口识别客户端分辨率自动调整，独立配置的菜单操作锁，使管理操作简单便捷。待办事项1、新订单、支付、付款、短信提醒2、每5分钟自动读取3、新事项声音提醒 店铺管理1
创建LBPH识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
训练模型
recognizer.train(faces, np.array(labels))
保存模型（可选）
recognizer.save('lbph_model.yml')
4. 实时人脸识别
加载训练好的模型，在摄像头画面中识别人脸并标注身份。
import cv2
<h1>加载训练好的模型</h1><p>recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('lbph_model.yml')</p><h1>加载人脸检测器</h1><p>face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')</p><p>cap = cv2.VideoCapture(0)</p><p>while True:
ret, frame = cap.read()
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)</p><pre class='brush:python;toolbar:false;'>for (x, y, w, h) in faces:
roi_gray = gray[y:y+h, x:x+w]
id_, confidence = recognizer.predict(roi_gray)
# confidence越低表示匹配越好，通常<100认为较可靠
if confidence < 100:
label_text = f"User {id_}"
else:
label_text = "Unknown"
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.putText(frame, label_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'):
breakcap.release() cv2.destroyAllWindows()
基本上就这些。整个流程包括数据采集、训练模型、实时识别三个阶段。LBPH对光照变化有一定鲁棒性，但在姿态、遮挡等复杂场景下效果有限。适合小规模应用，如门禁系统、考勤打卡等。
