导语：
本文主要介绍了关于python基于LBPH的人脸识别操作的相关知识，希望可以帮到处于编程学习途中的小伙伴
基于LBPH的人脸识别操作原理
1、LBPH（Local Binary Pattern Histogram）将检测到的人脸分成小单元，与模型中对应的单元进行比较，生成每个区域匹配值的直方图。
由于这种方法的灵活性，LBPH 是唯一允许模型样本人脸和检测到的人脸在形状和大小上不同的人脸识别算法。
2、调整后的区域中调用 predict()函数
predict() 函数返回一个包含两个元素的数组：第一个元素是已识别个体的标签，第二个元素是置信度分数。
3. 所有算法都有一个置信度分数阈值。置信度分数用于衡量识别出的人脸与原始模型之间的差距。 0 表示完全匹配。有时你可能不想保留所有识别结果并需要进一步处理，因此你可以使用自己的算法来估计识别的置信度分数。
4. LBPH 的良好参考值低于 50，任何高于 80 的参考值都被认为是低置信度分数。
基于LBPH的人脸识别操作实例
import cv2
# 加载训练数据集文件
# 获取人脸识别对象
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 读取训练数据
recognizer.read('trainer/trainer.yml')
# 准备识别图片
img = cv2.imread('6.pgm')
# 将图片灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 加载特征数据
face_detector = cv2.CascadeClassifier('D:/Python/opencv/sources/data/haarcascades
/haarcascade_frontalface_default.xml')
# 参数： scaleFactor(比例因子)：图片缩放多少，minNeighbors:至少检测多少次，
minSize maxSize:当前检测区域的最小面积
faces = face_detector.detectMultiScale(gray) # scaleFactor=1.01, minNeighbors=3,
maxSize=(33, 33), minSize=(28, 28)
# 获取脸部特征值
for x, y, w, h in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), thickness=2)
cv2.circle(img, (x+w//2, y+h//2), radius=w//2, thickness=2, color=(0, 0, 255))
# 人脸识别
id, confidence = recognizer.predict(gray[y:y+h, x:x+w])
print('标签id:', id, '置信评分：', confidence)
# 显示图片
cv2.imshow('result', img)
cv2.waitKey(0) # 一直显示
cv2.destroyAllWindows() # 释放资源本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈