OpenCv高阶（十四）——LBPH人脸识别

---

前言

在人工智能技术蓬勃发展的今天，深度学习模型（如CNN、Transformer）在人脸识别领域占据主导地位。然而，在计算资源有限或需要快速部署的场景中，经典算法依然展现出独特的价值。LBPH（Local Binary Patterns Histograms） 作为一种基于纹理特征的人脸识别算法，凭借其简洁的原理、高效的实现和对光照变化的鲁棒性，成为传统方法中的代表性技术。

LBPH的核心思想源于对图像局部纹理特征的捕捉。它不依赖复杂的数学模型，而是通过比较像素邻域的灰度关系，生成具有判别性的特征向量。这种“轻量化”特性使其在嵌入式设备、实时监控系统等场景中依然广泛应用。本文将深入解析LBPH的原理、实现流程及其实际应用，并通过代码实践展示如何构建一个实时人脸识别系统。无论是希望理解传统图像处理技术的本质，还是寻求在资源受限环境中部署高效算法的开发者，都能从中获得启发。

一、LBPH原理

LBPH（Local Binary Patterns Histograms，局部二值模式直方图）是一种基于纹理特征的人脸识别算法，其核心思想是通过提取图像的局部纹理信息，并结合空间分布特征进行人脸匹配。以下是其原理的详细分步解释：

1. LBP（局部二值模式）特征提取

基本思想：将图像的每个像素与其邻域像素进行对比，生成二进制模式，描述局部纹理特征。

具体步骤：

邻域选择：以中心像素 (xc,yc) 为中心，选择一个邻域（如3×3的正方形或圆形邻域）。

二值化：将邻域像素值与中心像素值比较，若邻域像素值大于等于中心值，标记为1；否则标记为0。

二进制转十进制：按固定顺序（如顺时针）排列二值结果，形成一个二进制数，再转换为十进制作为该中心像素的LBP值。

2. 图像分块处理

目的：保留局部特征的空间分布信息，避免全局直方图丢失位置信息。

方法：将人脸图像划分为多个子区域（如16×16的块），每个子区域单独计算LBP特征。

3. 生成直方图

子区域直方图：对每个子区域内的所有像素LBP值统计直方图。假设LBP取值范围为0~255（8位邻域），则每个子区域直方图有256个维度。

全局特征向量：将所有子区域的直方图按顺序连接，形成整张图像的LBPH特征向量。例如，若图像分为4×4=16个子区域，则特征维度为16×256=4096。

4. 人脸识别（匹配阶段）

训练阶段：存储每个人脸样本的LBPH特征向量到数据库。

识别阶段：

提取待识别人脸的LBPH特征向量。

与数据库中所有特征向量进行相似度计算，常用距离度量包括：

卡方距离（Chi-Square）：

直方图交集（Histogram Intersection）：

选择距离最小的样本作为识别结果。

5. LBPH的特点

优点：

对光照变化鲁棒（依赖相对灰度而非绝对亮度）。

计算简单，适合实时应用。

缺点：

对姿态、表情变化敏感。

分块策略影响性能（需平衡子区域大小和特征维度）。

6. 变种与优化

均匀模式（Uniform Patterns）：减少二进制模式数量，仅保留跳变次数≤2的模式（如从256维降至59维），降低计算量。

多尺度LBP：使用不同半径的邻域提取多尺度纹理特征。

结合其他特征：与HOG、深度学习特征融合提升性能。

二、LBPH人脸识别简单实现

（一）LBPH人脸识别

# 导入OpenCV和NumPy库
import cv2
import numpy as np# 准备训练数据
image = []
# 读取多张训练图像（灰度模式），薛之谦(xzq)、刘亦菲(lyf)、彭逸畅(pyc)各2张
image.append(cv2.imread('../data/face-detect/xzq1.png', 0))  # 参数0表示以灰度模式读取
image.append(cv2.imread('../data/face-detect/xzq2.png', 0))
image.append(cv2.imread('../data/face-detect/lyf1.png', 0))
image.append(cv2.imread('../data/face-detect/lyf2.png', 0))
image.append(cv2.imread('../data/face-detect/pyc1.png', 0))
image.append(cv2.imread('../data/face-detect/pyc2.png', 0))# 定义标签（与图像顺序对应）：0-薛之谦，1-刘亦菲，2-彭逸畅
labels = [0, 0, 1, 1, 2, 2]# 创建标签与名称的映射字典（-1表示未知）
dic = {0: '薛之谦', 1: "刘亦菲", 2: "彭逸畅", -1: '无法识别'}# 读取待预测图像（灰度模式）
predict_image = cv2.imread('../data/face-detect/lyf.png', 0)# 创建LBPH人脸识别器（底层实现LBPH算法）
# 可选参数：radius（邻域半径）、neighbors（邻域点数）、grid_x/grid_y（分块数量）
recognizer = cv2.face.LBPHFaceRecognizer_create()# 训练模型（核心步骤）
# 输入：图像列表 + 标签数组（需转换为numpy数组）
recognizer.train(image, np.array(labels))# 进行预测
# 返回：预测标签、置信度（数值越小置信度越高）
label, confidence = recognizer.predict(predict_image)# 输出结果
print("这位是", dic[label])     # 根据标签获取姓名
print("置信度", confidence)    # 显示置信度（理想值通常小于60）

1、图像读取（灰度转换）

cv2.imread('path', 0)  # 0表示灰度模式

作用：将图像转换为单通道灰度图，符合LBPH对灰度特征的需求

原理关联：LBP依赖像素间的相对灰度值比较

2、创建识别器

cv2.face.LBPHFaceRecognizer_create()

参数说明（默认值）：

radius=1：邻域半径

neighbors=8：邻域点数（圆形采样）

grid_x=8, grid_y=8：图像分块数量

3、模型训练

recognizer.train(image, np.array(labels))

内部操作：

对每个图像提取LBPH特征（分块统计直方图）

存储特征向量与标签的映射关系

4、预测阶段

recognizer.predict(predict_image)

内部操作：

提取待识别图像的LBPH特征

与所有训练特征进行距离计算（默认使用卡方距离）

返回最近邻的标签和置信度

（二）摄像头人脸识别

1. 中文文本叠加函数

import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFontdef cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):""" 向OpenCV图像添加中文文本（解决OpenCV不支持中文的问题）"""if isinstance(img, np.ndarray):  # 判断输入是否为OpenCV的numpy数组格式# 将BGR格式的OpenCV图像转换为RGB格式的PIL图像img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))draw = ImageDraw.Draw(img)  # 创建PIL绘图对象# 加载中文字体文件（需要确保simhei.ttf文件存在）fontStyle = ImageFont.truetype("../data/simhei.ttf", textSize, encoding="utf-8")draw.text(position, text, textColor, font=fontStyle)  # 绘制文本# 将PIL图像转换回OpenCV的BGR格式return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

作用：解决OpenCV无法直接显示中文的问题，通过PIL库实现中文渲染

2. 训练数据准备

# 加载训练图像（灰度模式）
image = []
image.append(cv2.imread('../data/face-detect/xzq1.png', 0))  # 薛之谦样本
image.append(cv2.imread('../data/face-detect/xzq2.png', 0))
image.append(cv2.imread('../data/face-detect/lyf1.png', 0))  # 刘亦菲样本
image.append(cv2.imread('../data/face-detect/lyf2.png', 0))
image.append(cv2.imread('../data/face-detect/pyc1.png', 0))  # 彭逸畅样本
image.append(cv2.imread('../data/face-detect/pyc2.png', 0))
image.append(cv2.imread('../data/face-detect/lyf4.png', 0))  # 新增样本
image.append(cv2.imread('../data/face-detect/lyf5.png', 0))
image.append(cv2.imread('../data/face-detect/pyc3.png', 0))
image.append(cv2.imread('../data/face-detect/pyc4.png', 0))
image.append(cv2.imread('../data/face-detect/pyc5.png', 0))# 定义标签（存在潜在问题：标签3未在字典中定义）
labels = [0, 0, 1, 1, 2, 2, 1，1，2，2，2]  # 前6个对应0/1/2，后续3对应3（未定义）
dic = {0: '薛之谦', 1: "刘亦菲", 2: "彭逸畅", -1: '无法识别'}  # 缺少标签3的映射

这里面的数据可以更换成待识别的人脸图片，注意需要转换成灰度图片。

3. LBPH识别器初始化

#创建LBPH人脸识别器，设置置信度阈值为70

recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=70)
recognizer.train(image, np.array(labels))  # 训练模型

参数说明：

threshold=70：当预测置信度超过该值时返回-1（无法识别）

训练时会将每个图像的LBPH特征与标签关联存储

4. 实时人脸检测与识别

# 加载Haar级联分类器（需要确保xml文件路径正确）
faceCascade = cv2.CascadeClassifier(r'./myface-detect/haarcascade_frontalface_alt.xml')# 初始化摄像头
cap = cv2.VideoCapture(0)
if not cap.isOpened():print('视频打开失败')exit()while True:ret, frame = cap.read()  # 读取视频帧frame = cv2.flip(frame, 1)  # 水平翻转（镜像效果）gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)  # 转换为灰度图# 人脸检测（使用Haar级联分类器）faces = faceCascade.detectMultiScale(gray,scaleFactor=1.05,  # 图像缩放因子（用于多尺度检测）minNeighbors=16,   # 候选框最少邻居数（值越大检测越严格）minSize=(8, 8)     # 最小人脸尺寸)# 遍历检测到的人脸for (x, y, w, h) in faces:cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 2), 2)  # 绘制矩形框# 提取人脸区域（ROI），扩展20像素边界roi = gray[y-20:y+h+20, x-20:x+w+20]  # 注意可能超出图像边界# LBPH识别预测label, confidence = recognizer.predict(roi)# 添加中文标签（存在标签3未定义的风险）frame = cv2AddChineseText(frame, dic[label], (x-10, y-20), (0, 255, 0), 16)cv2.imshow('image', frame)  # 显示结果if not ret: breakif cv2.waitKey(1) == 27: break  # ESC键退出cap.release()
cv2.destroyAllWindows()

效果

这里图片库内的图片数量较少，所以导致识别效果很差.

总结

LBPH算法以其独特的局部二值模式，为图像特征提取提供了一种高效且直观的解决方案。通过本文的探讨，我们可以总结以下关键点：

技术优势

低计算开销：无需GPU加速，适合边缘计算场景。光照鲁棒性：依赖相对灰度值，对光照变化具有天然适应性。可解释性：直方图特征直观，便于调试和优化。

应用场景

嵌入式设备（如门禁系统、智能摄像头）快速原型开发（结合OpenCV等工具链）与其他算法融合（如作为深度学习模型的预处理模块）

局限性

对姿态和表情变化敏感，需配合人脸对齐技术。特征维度较高，需通过分块策略平衡精度与效率。

尽管深度学习在准确率上远超传统方法，但LBPH的“轻量化哲学”仍为开发者提供了重要启示：在追求性能的同时，不应忽视算法的简洁性与可部署性。未来，将LBPH与轻量级神经网络结合，或利用其纹理特征增强模型鲁棒性，可能是值得探索的方向。

无论是作为学习计算机视觉的入门课题，还是作为实际项目的技术备选，LBPH都值得开发者深入理解与实践。毕竟，在技术迭代的浪潮中，经典算法的智慧始终熠熠生辉。