【1】引言

前序学习进程中，已经掌握了使用Eigenfaces算法进行的人脸识别。相关文章链接为：

python学opencv|读取图像（七十四）人脸识别：EigenFaces算法-CSDN博客

在此基础上，学习剩余两种人脸识别算法：Fisherfaces算法和LBPH算法。

【2】官网教程

实际上，点击下述链接，可以直达三种算法的官网教程：

OpenCV: Face Recognition with OpenCV

对于Fisherfaces算法和LBPH算法，具体的应用流程和Eigenfaces算法一致：先确定用哪种算法后，就建立识别器，然后把样本放入训练器进行训练，最后输出识别效果。

【2.1】Fisherfaces算法

点击下方链接，直达Fisherfaces算法的官网教程：

OpenCV: cv::face::FisherFaceRecognizer Class Reference

在官网，可以看到Fisherfaces算法识别器相关的说明：

图1  cv.face.FisherFaceRecognizer.create算法识别器

具体的，cv.face.FisherFaceRecognizer.create识别器有两个参数：

    cv.face.FisherFaceRecognizer.create(    

    num_components              #可选参数，PCA（主成分分析）中保留分量的个数

    threshold  )                        #可选参数，人脸识别的阈值

【2.2】LBPH算法

点击下方链接，直达LBPH算法的官网教程：

OpenCV: cv::face::LBPHFaceRecognizer Class Reference

在官网，可以看到LBPH算法识别器相关的说明：

图2  cv.face.LBPHFaceRecognizer.create算法识别器 

具体的，cv.face.LBPHFaceRecognizer.create识别器有五个参数：

cv.face.LBPHFaceRecognizer.create(    

radius                            #可选参数，圆形局部二进制模式的半径

neighbors                      #可选参数，圆形局部二进制模式的采样数目

grid_x                            #可选参数，水平方向上的单元格数

grid_y                            #可选参数，竖直方向上的单元格数

threshold    )                  #可选参数，识别用的阈值

【3】代码测试

【3.1】Fisherfaces算法

对使用Fisherfaces算法的人脸识别，和使用Eigenfaces算法的人脸识别在代码上一样，所以可以直接使用先前的代码，只需要改一行旧代码即可：

# 创建人脸识别器
recognizer = cv.face.EigenFaceRecognizer.create()

改后代码为：

# 创建人脸识别器
recognizer = cv.face.FisherFaceRecognizer.create()

不过为了增强对比，这次用了两组图片，所以存储地址的列表变长了：

# 定义图片路径字典，键为标签，值为该标签对应的图片路径列表
image_paths_dict = {
    0: [
        r"D:\python\pythonworkspace\pythonProject3\0\01.jpg",
        r"D:\python\pythonworkspace\pythonProject3\0\02.jpg",
        r"D:\python\pythonworkspace\pythonProject3\0\03.jpg"
    ],
    1: [
        r"D:\python\pythonworkspace\pythonProject3\1\01.jpg",
        r"D:\python\pythonworkspace\pythonProject3\1\02.jpg",
        r"D:\python\pythonworkspace\pythonProject3\1\03.jpg"
    ]
}

这里的两组图片分别用了标签0和1。

待测试的图片也变成了两组：

# 定义测试图片路径列表
test_image_paths = [
    r"D:\python\pythonworkspace\pythonProject3\zyz\11.jpg",
    r"D:\python\pythonworkspace\pythonProject3\s01\05.jpg"
]

使用Fisherfaces算法的人脸识别和使用Eigenfaces算法的人脸识别在判断原理上也很类似，以5000为置信度标准，小于5000为图像识别成功，对比结果为0时表明两个图像完全一样，而超出为不能识别。

实际用的图像0有：

图3  训练样本0

图4  训练样本1 

图5  待测图像1  

图6  待测图像2

代码运行后，获得的识别效果为：

图7  待测图像1识别效果

图8  待测图像2识别效果

这个效果其实出乎预料，待测图像2本应被识别，但却未被认出。

不过用于训练的的样本的确太少，所以这样的识别效果也算正常。

此时的完整代码为：

import cv2 as cv
import numpy as np

# 定义图片路径字典，键为标签，值为该标签对应的图片路径列表
image_paths_dict = {
    0: [
        r"D:\python\pythonworkspace\pythonProject3\0\01.jpg",
        r"D:\python\pythonworkspace\pythonProject3\0\02.jpg",
        r"D:\python\pythonworkspace\pythonProject3\0\03.jpg"
    ],
    1: [
        r"D:\python\pythonworkspace\pythonProject3\1\01.jpg",
        r"D:\python\pythonworkspace\pythonProject3\1\02.jpg",
        r"D:\python\pythonworkspace\pythonProject3\1\03.jpg"
    ]
}

photos = []  # 定义photo空列表,用来存储图像
labels = []  # 定义lables空列表,用来存储图像对应的标签

# 定义图像尺寸信息
width = 600  # 定义一个初始宽度量
height = 600  # 定义一个初始高度量
target_size = (width, height)  # 定义一个元组，存储宽度量和高度量

# 读取图片并调整尺寸
for label, paths in image_paths_dict.items():
    for path in paths:
        # 以彩色模式读取图像
        img = cv.imread(path)
        if img is not None:
            # 调整图像尺寸为与目标尺寸相同
            img = cv.resize(img, target_size)
            # 将彩色图像转换为灰度图像用于训练
            gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
            photos.append(gray_img)
            labels.append(label)
        else:
            print(f"无法读取图片: {path}")

# 定义标签映射
names = {
    0: "su",
    1: "other_person"
}

# 创建人脸识别器
recognizer = cv.face.FisherFaceRecognizer.create()

# 训练人脸识别器
if photos and labels:
    recognizer.train(photos, np.array(labels))  # 训练器读入人脸样本和对应标签

    # 定义测试图片路径列表
    test_image_paths = [
        r"D:\python\pythonworkspace\pythonProject3\zyz\11.jpg",
        r"D:\python\pythonworkspace\pythonProject3\s01\05.jpg"
    ]

    for test_image_path in test_image_paths:
        # 读取测试图片，以彩色模式读取
        test_img = cv.imread(test_image_path)
        if test_img is not None:
            # 调整测试图像尺寸与目标尺寸一致
            test_img = cv.resize(test_img, target_size)
            # 将彩色图像转换为灰度图像用于识别
            gray_test_img = cv.cvtColor(test_img, cv.COLOR_BGR2GRAY)
            label, confidence = recognizer.predict(gray_test_img)

            # 设定识别阈值
            threshold = 5000  # 可根据实际情况调整
            if confidence > threshold:
                # 添加未识别标记
                cv.putText(test_img, "Unrecognized", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
            else:
                print(f'confidence={confidence}')
                print(names[label])
                # 添加识别结果标记
                text = names[label]
                cv.putText(test_img, text, (10, 30), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

            # 输出图像
            cv.imshow('Result Image', test_img)
            cv.waitKey(0)
            cv.destroyAllWindows()
        else:
            print(f"无法读取测试图片: {test_image_path}")

【3.2】LBPH算法

对使用Fisherfaces算法、Eigenfaces算法的人脸识别，和使用LBPH算法的人脸识别在代码上的设计也一样，只是调用的参数不同，并且使用LBPH算法时的参数均可以由算法自动选择。

所以依然可以直接使用Fisherfaces算法的代码，只需将创建识别器的代码修改即可：

# 创建人脸识别器
recognizer = cv.face.LBPHFaceRecognizer.create()

其余代码均无需修改，代码运行后获得的人脸识别效果为：

图9 待测图像1人脸识别效果  

图10 待测图像2人脸识别效果

使用LBPH算法的人脸识别效果稍好，因为它正确识别了待测图像2。

【4】细节说明

所有识别器均在对灰度图像进行识别时更高效，因此实际的识别过程大都是对灰度图像进行。

【5】总结

掌握了使用python+opencv实现了使用Fisherfaces算法和LBPH算法进行人脸识别的技巧。