### 训练模型以识别人脸 为了使用 Python 实现基于指定文件夹中的图片训练模型并完成人脸识别的任务，可以采用 OpenCV 库及其内置的 LBPH（Local Binary Patterns Histograms）算法[^1]。以下是完整的解决方案： #### 准备环境 确保已安装必要的库 `numpy` 和 `opencv-python`。可以通过以下命令安装这些依赖项： ```bash pip install numpy opencv-python ``` 如果遇到兼容性问题，建议按照推荐版本配置环境，例如使用 Python 2.7 版本[^3]。 --- #### 数据准备 将用于训练的数据存储在一个目录结构中，其中每个人物的照片存放在单独的子文件夹下。例如： ``` dataset/ person_1/ image1.jpg image2.jpg person_2/ image1.jpg image2.jpg ``` 这种分组方式有助于后续程序自动分配标签给每张图像。 --- #### 核心代码实现 ##### 人脸检测与预处理 利用 Haar Cascade 分类器加载预先训练好的 XML 文件来进行面部区域提取。 ```python import cv2 import os import numpy as np def detect_faces(image, cascade_file="haarcascade_frontalface_default.xml"): """通过Haar级联分类器检测脸部""" face_cascade = cv2.CascadeClassifier(cascade_file) gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) return [(gray_image[y:y+h, x:x+w], (x, y, w, h)) for (x, y, w, h) in faces] ``` ##### 加载数据集 遍历目标路径下的所有照片，并将其转换成适合输入到LBPH模型的形式。 ```python def prepare_training_data(data_folder_path): dirs = [d for d in os.listdir(data_folder_path) if os.path.isdir(os.path.join(data_folder_path, d))] labels = [] faces = [] label_id = 0 for dir_name in dirs: subject_dir_path = data_folder_path + "/" + dir_name for image_name in os.listdir(subject_dir_path): if image_name.startswith("."): continue image_path = subject_dir_path + "/" + image_name image = cv2.imread(image_path) detected_faces = detect_faces(image) for (face, _) in detected_faces: faces.append(face) labels.append(label_id) label_id += 1 return faces, np.array(labels) ``` ##### 创建和训练模型 初始化LBPHFaceRecognizer对象并将之前收集的数据传递进去进行训练过程。 ```python faces, labels = prepare_training_data("dataset") recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, labels) # 将训练后的模型保存至本地磁盘以便下次调用无需重新计算 recognizer.save('trained_model.yml') ``` --- #### 测试阶段 当需要验证新捕获的画面时，只需读取先前储存下来的参数即可快速做出判断。 ```python def predict(test_img, recognizer, threshold=120): img = test_img.copy() detected_faces = detect_faces(img) for (face, rect) in detected_faces: label, confidence = recognizer.predict(face) if confidence < threshold: name = f"Person {label}" else: name = "Unknown" draw_rectangle(img, rect) put_text(img, name, rect['topleft']) return img def draw_rectangle(img, rect): (x, y, w, h) = rect cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) def put_text(img, text, position): font_face = cv2.FONT_HERSHEY_PLAIN scale = 1.5 color = (0, 255, 0) thickness = 2 cv2.putText(img, text, position, font_face, scale, color, thickness) ``` --- ### 注意事项 - **性能优化**：对于大规模数据库来说可能效率较低，因此考虑引入更先进的深度学习框架如TensorFlow或者PyTorch替代传统方法[^2]。 - **硬件需求**：某些复杂操作可能会消耗较多资源，在低端设备上执行速度较慢甚至无法正常运作。