从 0 到 1：用 Python+OpenCV 搭建你的第一个人脸识别系统

ytthjjkjkllsss

355人浏览 · 2025-10-21 21:18:08

ytthjjkjkllsss · 2025-10-21 21:18:08 发布

从0到1：用Python+OpenCV搭建你的第一个人脸识别系统

引言

在计算机视觉领域，人脸识别技术正深刻改变身份验证、安防监控等场景。本文将带你从零开始构建基础人脸识别系统，无需复杂硬件，只需Python和OpenCV库。整个过程分为人脸检测→数据采集→模型训练→实时识别四个阶段。

一、环境搭建

安装核心库（终端执行）：

pip install opencv-python numpy

验证安装：

import cv2
print(cv2.__version__)  # 应输出4.x以上版本

二、人脸检测模块

使用OpenCV的Haar级联分类器实现实时检测：

def detect_faces():
    cap = cv2.VideoCapture(0)
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    
    while True:
        _, frame = cap.read()
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        
        for (x,y,w,h) in faces:
            cv2.rectangle(frame, (x,y), (x+w,y+h), (255,0,0), 2)
        
        cv2.imshow('Face Detection', frame)
        if cv2.waitKey(1) == 27:  # ESC键退出
            break
            
    cap.release()
    cv2.destroyAllWindows()

# 执行函数
detect_faces()

技术原理：Haar特征通过计算图像中矩形区域的像素差来识别面部特征，满足检测条件： $$ \sum_{(x,y) \in \text{特征区域}} w_i \cdot \text{pixel_diff}(x,y) > \theta $$ 其中$\theta$为分类阈值

三、人脸数据采集

建立个人人脸数据库用于训练：

def collect_samples(name, sample_count=30):
    cap = cv2.VideoCapture(0)
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    count = 0
    
    while count < sample_count:
        _, frame = cap.read()
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        
        if len(faces) == 1:  # 确保单一人脸
            (x,y,w,h) = faces[0]
            face_roi = gray[y:y+h, x:x+w]
            cv2.imwrite(f'dataset/{name}_{count}.jpg', face_roi)
            count += 1
        
        cv2.imshow('Collecting Data', frame)
        if cv2.waitKey(1) == 27:
            break
            
    cap.release()
    cv2.destroyAllWindows()

# 示例：采集30张"Alice"的人脸
collect_samples("Alice")

四、训练识别模型

采用LBPH（局部二值模式直方图）算法：

def train_model():
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    faces, labels = [], []
    
    # 加载数据集
    for label, name in enumerate(os.listdir('dataset')):
        for img_path in glob.glob(f'dataset/{name}/*.jpg'):
            img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
            faces.append(img)
            labels.append(label)
    
    # 训练并保存模型
    recognizer.train(faces, np.array(labels))
    recognizer.save('face_model.yml')
    print(f"训练完成！共{len(labels)}个样本")

train_model()

算法优势：LBPH对光照变化具有鲁棒性，计算复杂度低，适合实时场景

五、实时人脸识别

集成所有模块实现端到端识别：

def live_recognition():
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    recognizer.read('face_model.yml')
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    cap = cv2.VideoCapture(0)
    
    # 标签映射（需与训练时一致）
    name_dict = {0: "Alice", 1: "Bob"}  
    
    while True:
        _, frame = cap.read()
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        
        for (x,y,w,h) in faces:
            face_roi = gray[y:y+h, x:x+w]
            label, confidence = recognizer.predict(face_roi)
            
            if confidence < 60:  # 置信度阈值
                name = name_dict.get(label, "Unknown")
                cv2.putText(frame, f"{name} {confidence:.1f}", (x,y-10), 
                           cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0,255,0), 2)
            
            cv2.rectangle(frame, (x,y), (x+w,y+h), (255,0,0), 2)
        
        cv2.imshow('Face Recognition', frame)
        if cv2.waitKey(1) == 27:
            break
            
    cap.release()
    cv2.destroyAllWindows()

live_recognition()