🚀 人脸识别：从入门到实战

欢迎来到计算机视觉的世界！OpenCV 是目前最流行的视觉库，让我们一起用 Python 赋予电脑“眼睛”吧！

---

🛠️ 第一步：环境搭建

在开始魔法之前，我们需要准备好法杖（Python）和咒语书（OpenCV）。

1. 安装 OpenCV

打开你的终端（Terminal/PowerShell），运行以下命令：

# 核心版：基础功能
pip install opencv-python

# 增强版：包含更多黑科技算法（如 LBPH、SIFT 等）
pip install opencv-contrib-python

2. 验证是否成功

import cv2
print(f"✅ OpenCV 版本已就绪: {cv2.__version__}")

---

🎨 第二步：图像处理

1. 图像“三板斧”：读、显、存

import cv2 as cv

img = cv.imread('face.jpg')        # 读取图片
cv.imshow('Window', img)           # 显示图片
cv.imwrite('save.png', img)        # 保存图片
cv.waitKey(0)                      # 等待按键退出

2. 读取图片

💻 Python 代码实现

imread
imshow

📸 运行结果

3. 灰度图片+保存图片

💻 Python 代码实现

cvtColor
imwrite

📸 运行结果

4. 修改尺寸＋2种退出

💻 Python 代码实现

resize

📸 运行结果

5. 图片上添加文字水印

💻 Python 代码实现

putText(图片,水印内容,位置坐标,字体,字的大小,颜色,字的粗细)

📸 运行结果

6. 图片上面画矩形和圆

💻 Python 代码实现

📸 运行结果

🧠 第三步：核心算法科普

1. Haar 级联分类器 模型

(Haar Cascade) 这是由 Viola-Jones 提出的经典算法。它像是一个“过滤器”，通过计算图像中不同区域的灰度差来寻找人脸特征。

• 边缘特征：检测眼睛（比周围深）和鼻梁（比周围浅）。
• 常用模型对比：

特征库文件	设计目标	检测速度	适用场景
haarcascade_frontalface_default.xml	基础模型，通用性强	较慢（级联层多）	简单场景，光照均匀
haarcascade_frontalface_alt2.xml	优化模型，精度平衡	较快（结构优化）	复杂场景，有遮挡或侧脸

2. LBPH 算法

(局部二值模式直方图)

如果说 Haar 是在找“轮廓”，LBPH 就是在找“纹理”。它将图像像素转为二进制编码，非常擅长应对光照变化。

• 优点：简单易懂、抗光照干扰、对部分遮挡有容忍度。
• 识别原理：通过 recognizer.predict() 返回 confidence（置信度）。
  • 注意：在 OpenCV 的 LBPH 中，数值越小代表匹配度越高！
  • 通常 conf < 50 认为识别成功；conf > 80 则可能是陌生人。

3. opencv 机器视觉库

https://opencv.org/

🎬 第四步：人脸检测

1. 静态照片人脸检测

# 1. 加载分类器
face_cascade = cv.CascadeClassifier("haarcascade_frontalface_default.xml")

# 2. 识别人脸坐标
# scaleFactor: 每次图像缩小的比例
# minNeighbors: 匹配多少次才认为是真实人脸
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(35,35))

for (x, y, w, h) in faces:
    cv.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

2. 人脸检测1+函数

💻 Python 代码实现

# 照片等比例缩放 
resize(img,None,fx=0.3,fy=0.3)
# 1加载人脸特征库
face_cascade = cv.CascadeClassifier("haarcascade_frontalface_default.xml")
# 2 识别人脸坐标
faces = face_cascade.detectMultiScale(gray)

📸 运行结果

3. 人脸检测2多人

💻 Python 代码实现

# 照片等比例缩放 
resize(img,None,fx=0.3,fy=0.3)
# 1加载人脸特征库
face_cascade = cv.CascadeClassifier("haarcascade_frontalface_default.xml")
# 2 识别人脸坐标
faces = face_cascade.detectMultiScale(gray)

📸 运行结果

4. 视频流实时监测

视频是由一帧帧图片组成的，帧数（FPS）决定了视频的流畅度：

• 15 FPS：老旧监控既视感。
• 30 FPS：标准视频流。
• 60 FPS：极度顺滑。

cap = cv.VideoCapture(0) # 打开摄像头

while cap.isOpened():
    ret, frame = cap.read()
    if not ret: break
    
    # [此处可插入人脸检测代码实现实时标记]
    
    cv.imshow('Real-time Face Detection', frame)
    if cv.waitKey(1) & 0xFF == ord('q'): # 按 'q' 键退出
        break

cap.release()
cv.destroyAllWindows()

💻 Python 代码实现

cv.videoCapture

📸 运行结果

5. 人脸检测3视频

💻 Python 代码实现

cv.videoCapture

📸 运行结果

6. 打开视频标记人脸

💻 Python 代码实现

cv.videoCapture

📸 运行结果

🎓 第五步：人脸识别

人脸识别过程

想要让电脑“认识”你，需要完成以下闭环：

1. 数据收集：准备一组图片，建立 ID（整数）与 图片数据（数组）的对应关系。
2. 模型训练：

   recognizer = cv.face.LBPHFaceRecognizer_create()
   recognizer.train(faces_array, ids_array)
   recognizer.save('trainer.yml') # 保存训练好的模型

3. 预测识别：加载模型并使用 predict() 函数进行比对。

1 收集数据 array 只有 数字  id = int src = matlike 图片 
2 通过LBPH算法=》训练模型 
3 人脸识别 
https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
https://docs.opencv.org/3.4/da/d60/tutorial_face_main.html
https://docs.opencv.org/4.10.0/df/d25/classcv_1_1face_1_1LBPHFaceRecognizer.html

opencv的置信度

使用场景​：
    OpenCV 的 LBPHRecognizer、EigenFaceRecognizer 等传统人脸识别算法。
置信度含义​：
    表示 匹配距离​（差异程度），数值越小表示匹配度越高。
    例如：recognizer.predict() 返回的 conf 值。
阈值建议​：
    conf < 50：通常认为匹配成功（越小越好）。
    conf > 80：可能匹配失败（陌生人或低质量图像）。

---

📚 扩展学习

• 深度学习进阶：ShowMeAI 机器学习实战
• 算法权威文档：Scikit-learn 官方中文站

💡 调优小贴士：如果检测不到人脸，尝试调小 scaleFactor（如 1.05）；如果误报太多，尝试调大 minNeighbors。