基于LBPH的人脸识别操作原理
1、LBPH（Local Binary Pattern Histogram）将检测到的人脸分为小单元，并将其与模型中的对应单元进行比较，对每个区域的匹配值产生一个直方图。
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、大小上可以不同的人脸识别算法。
2、调整后的区域中调用 predict()函数
predict()函数返回两个元素的数组：第一个元素是所识别 个体的标签，第二个是置信度评分。
3、所有的算法都有一个置信度评分阈值，置信度评分用来衡量所识别人脸与原模型的差距，0 表示完全匹配。可能有时不想保留所有的识别结果，则需要进一步处理，因此可用自己的算法来估算识别的置信度评分。
4、LBPH一个好的识别参考值要低于 50 ，任何高于 80 的参考值都会被认为是低的置信度评分。
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