当前位置：首页 > news >正文

OpenCv高阶（十四）——LBPH人脸识别

news 来源：原创 2025/7/3 4:43:56

文章目录

前言
一、LBPH原理
- 1. LBP（局部二值模式）特征提取
- 2. 图像分块处理
- 3. 生成直方图
- 4. 人脸识别（匹配阶段）
- 5. LBPH的特点
- 6. 变种与优化
二、LBPH人脸识别简单实现
- （一）LBPH人脸识别
- - 1、图像读取（灰度转换）
  - 2、创建识别器
  - 3、模型训练
  - 4、预测阶段
- （二）摄像头人脸识别
- - 1. 中文文本叠加函数
  - 2. 训练数据准备
  - 3. LBPH识别器初始化
  - 4. 实时人脸检测与识别
总结

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。

在这里插入图片描述

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）：

在这里插入图片描述

直方图交集（Histogram Intersection）：

在这里插入图片描述

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
在这里插入图片描述

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。

文章目录

前言

一、LBPH原理

1. LBP（局部二值模式）特征提取

2. 图像分块处理

3. 生成直方图

4. 人脸识别（匹配阶段）

5. LBPH的特点

6. 变种与优化

二、LBPH人脸识别简单实现

（一）LBPH人脸识别

1、图像读取（灰度转换）

2、创建识别器

3、模型训练

4、预测阶段

（二）摄像头人脸识别

1. 中文文本叠加函数

2. 训练数据准备

3. LBPH识别器初始化

4. 实时人脸检测与识别

总结

相关文章：