005-03、树莓派人脸识别：检测、训练与识别

课程实现由三个脚本组成：采集人脸、训练 LBPH 模型、实时识别。完整代码与 Haar 分类器保存在七项课程设计资料中，提取码：3ezu。

1、目录结构

OpenCV_Facial_Recognition/
├── 01_face_dataset.py
├── 02_face_training.py
├── 03_face_recognition.py
├── haarcascade_frontalface_default.xml
├── dataset/
└── trainer/

先创建输出目录：

1	mkdir -p dataset trainer

2、采集人脸样本

01_face_dataset.py 使用摄像头读取画面，Haar 分类器定位人脸，将灰度人脸区域保存为：

1	dataset/User.<person_id>.<sample_id>.jpg

课程源码中的采集流程：

cam = cv2.VideoCapture(0)
cam.set(3, 640)
cam.set(4, 480)

face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
face_id = input("\n 请输入用户ID，然后按 <回车> 键 ==>  ")
count = 0

while True:
    ret, img = cam.read()
    img = cv2.flip(img, -1)
    img = cv2.flip(img, 0)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)

    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
        count += 1
        cv2.imwrite(
            "dataset/User." + str(face_id) + "." + str(count) + ".jpg",
            gray[y:y + h, x:x + w],
        )
        cv2.imshow("image", img)

    k = cv2.waitKey(100) & 0xff
    if k == 27 or count >= 30:
        break

cam.release()
cv2.destroyAllWindows()

课程版本为每个人采集约 30 张样本。采集时应缓慢改变角度和表情，并避免所有照片几乎完全相同。

运行：

1	python3 01_face_dataset.py

3、训练 LBPH 模型

02_face_training.py 读取文件名中的人员 ID，将灰度图像转换为 NumPy 数组，再训练 LBPH 识别器。课程源码中的核心函数如下：

recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

def getImagesAndLabels(path):
    imagePaths = [os.path.join(path, f) for f in os.listdir(path)]
    faceSamples = []
    ids = []

    for imagePath in imagePaths:
        PIL_img = Image.open(imagePath).convert("L")
        img_numpy = np.array(PIL_img, "uint8")
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)

        for (x, y, w, h) in faces:
            faceSamples.append(img_numpy[y:y + h, x:x + w])
            ids.append(id)

    return faceSamples, ids

faces, ids = getImagesAndLabels("dataset")
recognizer.train(faces, np.array(ids))
recognizer.write("trainer/trainer.yml")

运行：

1	python3 02_face_training.py

训练完成后应确认 trainer/trainer.yml 已生成，并记录实际参与训练的人员数量和样本数量。

4、实时识别

03_face_recognition.py 加载 trainer.yml，对摄像头中的每个人脸执行预测：

recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read("trainer/trainer.yml")

faceCascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
names = ["None", "Marcelo", "Paula", "Ilza", "Z", "W"]

faces = faceCascade.detectMultiScale(
    gray,
    scaleFactor=1.2,
    minNeighbors=5,
    minSize=(int(minW), int(minH)),
)

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
    id, confidence = recognizer.predict(gray[y:y + h, x:x + w])

    if confidence < 100:
        id = names[id]
        confidence = "  {0}%".format(round(100 - confidence))
    else:
        id = "unknown"
        confidence = "  {0}%".format(round(100 - confidence))

    cv2.putText(img, str(id), (x + 5, y - 5), font, 1,
                (255, 255, 255), 2)
    cv2.putText(img, str(confidence), (x + 5, y + h - 5), font, 1,
                (255, 255, 0), 1)

LBPH 返回的值更接近“距离”，数值越小通常表示越相似。课程代码把它转换成便于展示的百分比，但这个百分比不是经过严格校准的真实概率。

运行：

1	python3 03_face_recognition.py

人员 ID 与姓名通过脚本中的列表映射。应保证列表索引与采集时输入的数字 ID 一致。

5、完整运行顺序

cd OpenCV_Facial_Recognition
python3 01_face_dataset.py
python3 02_face_training.py
python3 03_face_recognition.py

重新采集或新增人员后，需要再次运行训练脚本，生成新的 trainer.yml。

6、测试建议

测试	目的
同一人、相似光照	验证基本识别链路
同一人、不同角度	观察姿态变化影响
同一人、不同光照	观察光照鲁棒性
未登记人员	检查未知人员阈值
多人同时出现	检查检测和显示逻辑
遮挡或远距离	记录失败边界