前言

前篇博文我们讲解了人脸检测的基本操作。但人脸检测只是人脸识别领域的一个非常小的分支。一般情况下，使用人脸识别，都是比对对应的人脸的判断是否是本人，或者是否是某个人。所以，我们需要进一步学习人脸识别的相关知识。

在OpenCV中，它提供了3种人脸识别的方法，分别为：LBPH方法，EigenFishfaces方法，Fisherfaces方法。本篇，将讲解LBPH方法进行人脸识别操作。

LBPH方法的基本原理

LBPH（Local Binary Patterns Histogram，局部二值模式直方图）所使用的模型基于LBP(局部二值模式)算法。LBP最早是被作为一种有效的纹理描述算子提出的，由于在表述图像局部纹理特征上效果明显，而得到广泛应用。

LBP算法的基本原理是，将像素点A的值与其最邻近的8个像素点的值逐一比较：

1.如果A的像素值大于其临近点的像素值，则得到02.如果A的像素值小于其临近点的像素值，则得到1最后，将像素点A与其周围8个像素点比较所得到的0、1值连接起来，得到一个8位的二进制序列，将该二进制序列转换为十进制数作为点A的LBP值。

LBPH实现步骤

在OpenCV中，它提供函数cv2.face.LBPHFaceRecognizer_create()生成LBPH识别器实例模型，然后应用cv2.face_FaceRecognizer.train()函数完成训练，最后用cv2.face_FaceRecognizer.predict()函数完成人脸识别。

是不是与前文数字识别博文的处理步骤差不多？下面，我们来了解这3个函数的定义：

def LBPHFaceRecognizer_create(radius=None, neighbors=None, grid_x=None, grid_y=None, threshold=None):

radius：半径值，默认1

neighbors：领域点的个数，默认采用8领域，根据需要可以计算更多的领域点

grid_x：将LBP特征图像划分为一个个单元格时，每个单元格在水平方向上的像素个数。默认值8，即将LBP特征图像在行方向上以8个像素为单位分组

grid_y：将LBP特征图像划分为一个个单元格时，每个单元格在垂直方向上的像素个数。默认值8，即将LBP特征图像在列方向上以8个像素为单位分组

threshold：预测时所使用的阈值。如果大于该阈值，就认为没有识别到任何目标对象

cv2.face_FaceRecognizer.train(self, src, labels)

src：训练图像，相当于前面识别图像的训练集，用来学习的人脸图像

labels：标签，人脸图像所对应的标签

cv2.face_FaceRecognizer.predict(self, src)

src：需要识别的人脸图像

返回值有两个，一个返回前面训练集匹配的人脸识别的标签label，另一个是用来衡量识别结果与原有模型之间的距离。通常情况下，小于50的值是可以接受的，如果该值大于80则认为差别较大。

实现简单人脸识别

首先，我们需要导入训练的人脸图像，这里我们选取行尸走肉的瑞克与尼根的头像。如下图所示：

待识别的人脸图像为瑞克：

具体的代码如下所示：

import cv2
import numpy as np
images = []
images.append(cv2.imread("42_1.jpg", cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("42_2.jpg", cv2.IMREAD_GRAYSCALE))
labels = [0, 1]
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.train(images,np.array(labels))
predict_image=cv2.imread('42_3.jpg', cv2.IMREAD_GRAYSCALE)
label,confidence=recognizer.predict(predict_image)
if label==0:
    print("匹配的人脸为尼根")
elif label==1:
    print("匹配的人脸为瑞克")
print("confidence=",confidence)

运行之后，控制台输出结果如下：

从输出结果来看，标签值为“1”，置信区间为66，这说明3图被识别为瑞克对应的人脸图像。不过，数据量越大越准确，比如你可以在训练集放置两个瑞克，两个尼根，同步的标签labels也要一一对应。