【1】引言

前序学习进程中，做的是检测，只是能检测出来由人脸、猫脸和行人，相关文章链接为：

python学opencv|读取图像（七十一）使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的人脸检测-CSDN博客

python学opencv|读取图像（七十二）猫脸检测：使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的猫脸检测-CSDN博客

python学opencv|读取图像（七十三）行人检测：使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的行人检测-CSDN博客

更进一步，如果想在检测出来的人脸上识别出是谁的脸，就要用到人脸识别。

人脸识别的算法有三种，本次学习其中的EigenFaces算法。

【2】原理说明

人脸识别需要用到不同的算法，把算法理解成识别器。具体操作的时候，先挑选一种算法，然后使用这种算法进行训练，训练之后再去看识别效果。   

【3】官网教程

首先点击下方链接，直达人脸识别的说明页官网教程：

OpenCV: Face Recognition with OpenCV

在这里，非常清晰地说明了当前有三种人脸识别算法：

图1  人脸识别官网说明

官网页面内容非常丰富，但学习需要抓主要内容，因此只要关注Eigenfaces就可以。

当然，细心的朋友肯定也发现了，这个页面提供了一些照片集，大家可以自行下载。

继续下拉会看到，关于Eigenfaces给出了背后的算法证明：

图2  Eigenfaces算法证明

实际上，如果不是做研究，这个算法说空也不用太过深究，因为主要的精力要放在实现好的人脸识别上。

在这个页面之后，给出了C++的案例，就不继续研究这个页面了，请点击下方链接直达新的页面：

OpenCV: cv::face::EigenFaceRecognizer Class Reference

这个新页面给出了在python中如何通过Eigenfaces算法创建进人脸识别器：

图3  cv.face.EigenFaceRecognizer.create识别器

具体的，cv.face.EigenFaceRecognizer.create识别器有两个参数：

cv.face.EigenFaceRecognizer.create(    

num_components              #可选参数，PCA（主成分分析）中保留分量的个数

threshold  )                        #可选参数，人脸识别的阈值

创建识别器之后，需要对图像进行训练，所以还要用一个函数cv.face.FaceRecognizer.train()来创建训练器，点击下方链接直达：

OpenCV: cv::face::FaceRecognizer Class Reference

图4   用函数cv.face.FaceRecognizer.train()创建训练器

具体的，cv.face.FaceRecognizer.train()训练器有两个参数：

cv.face.FaceRecognizer.train( 

src                    #用来训练的样本图像，要求尺寸大小一致

labels )             #样本图像对应的标签

训练器训练完样本之后，可以使用cv.face.FaceRecognizer.predict()函数对待识别图像进行识别，点击下方链接，直达cv.face.FaceRecognizer.predict()函数的官网页面：

OpenCV: cv::face::FaceRecognizer Class Reference

具体的，cv.face.FaceRecognizer.predict()只有一个参数：

cv.face.FaceRecognizer.predict(

src            #待识别图像，要求与训练样本尺寸一致

)

cv.face.FaceRecognizer.predict(src)会输出两个结果：

label：待测图像和样本图像最佳匹配时，对应的样本图像标签值

confidence：匹配置信度，小于5000认为匹配效果好，0表示完全一样。

【4】代码测试

此处进行代码测试：

首先是引入必要的模块，定义两个空列表，分别用来存储图像和图像对应的标签：

import cv2 as cv #引入cv2模块
import numpy as np #引入numpy模块

photos = []  #定义photo空列表,用来存储图像
labels = []  #定义lables空列表,用来存储图像对应的标签

然后使用了3张图像作为样本来训练，这里要给出样本的存储地址：

# 定义图片路径列表
image_paths = [
    r"D:\python\pythonworkspace\pythonProject3\zyz\01.jpg",
    r"D:\python\pythonworkspace\pythonProject3\zyz\02.jpg",
    r"D:\python\pythonworkspace\pythonProject3\zyz\03.jpg"
]

为了把图像统一尺寸，需要先给定相关尺寸的约束条件：

#定义图像尺寸信息
width=600  #定义一个初始宽度量
height=800  #定义一个初始高度量
target_size = (width,height) #定义一个元组，存储宽度量和高度量

# 读取其余图片并调整尺寸
for path in image_paths[0:]:
    img = cv.imread(path, 0)
    if img is not None:
        # 调整图像尺寸为与第一张图片相同
        img = cv.resize(img, target_size)
        photos.append(img)
        labels.append(0)
    else:
        print(f"无法读取图片: {path}")

图像尺寸统一完成之后，需要给这一组图像加一个标签：

#定义标签
names = {"0": "su"}

然后创建人脸识别器：

# 创建人脸识别器
recognizer = cv.face.EigenFaceRecognizer.create()

然后训练人脸识别器：

# 训练人脸识别器
if photos and labels:
    recognizer.train(photos, np.array(labels)) #训练器读入人脸样本和对应标签

之后就是把待测图像拿进来进行测试。

先读取图像：

# 读取测试图片
    test_image_path = r"D:\python\pythonworkspace\pythonProject3\zyz\09.jpg"
    test_img = cv.imread(test_image_path, 0)

然后把图像尺寸修改成和样本统一的大小，之后就可以进行对比识别：

    if test_img is not None:
        # 调整测试图像尺寸与第一张图片一致
        test_img = cv.resize(test_img, target_size)
        label, confidence = recognizer.predict(test_img)

对于识别效果，需要按照匹配度再次处理：

# 设定识别阈值
        threshold = 5000  # 可根据实际情况调整
        if confidence > threshold:
            # 将灰度图转换为彩色图以便添加彩色文字
            test_img_color = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)
            # 添加未识别标记
            cv.putText(test_img_color, "Unrecognized", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
            output_img = test_img_color
        else:
            print(f'confidence={confidence}')
            print(names[str(label)])
            # 将灰度图转换为彩色图
            output_img = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)

最后是输出图像：

        # 输出图像
        cv.imshow('Result Image', output_img)
        cv.waitKey(0)
        cv.destroyAllWindows()
    else:
        print(f"无法读取测试图片: {test_image_path}")

为了更好地理解，直接给出完整代码：

import cv2 as cv #引入cv2模块
import numpy as np #引入numpy模块

photos = []  #定义photo空列表,用来存储图像
labels = []  #定义lables空列表,用来存储图像对应的标签

# 定义图片路径列表
image_paths = [
    r"D:\python\pythonworkspace\pythonProject3\zyz\01.jpg",
    r"D:\python\pythonworkspace\pythonProject3\zyz\02.jpg",
    r"D:\python\pythonworkspace\pythonProject3\zyz\03.jpg"
]

#定义图像尺寸信息
width=600  #定义一个初始宽度量
height=800  #定义一个初始高度量
target_size = (width,height) #定义一个元组，存储宽度量和高度量

# 读取其余图片并调整尺寸
for path in image_paths[0:]:
    img = cv.imread(path, 0)
    if img is not None:
        # 调整图像尺寸为与第一张图片相同
        img = cv.resize(img, target_size)
        photos.append(img)
        labels.append(0)
    else:
        print(f"无法读取图片: {path}")
#定义标签
names = {"0": "su"}

# 创建人脸识别器
recognizer = cv.face.EigenFaceRecognizer.create()

# 训练人脸识别器
if photos and labels:
    recognizer.train(photos, np.array(labels)) #训练器读入人脸样本和对应标签
    # 读取测试图片
    test_image_path = r"D:\python\pythonworkspace\pythonProject3\zyz\09.jpg"
    test_img = cv.imread(test_image_path, 0)
    if test_img is not None:
        # 调整测试图像尺寸与第一张图片一致
        test_img = cv.resize(test_img, target_size)
        label, confidence = recognizer.predict(test_img)

        # 设定识别阈值
        threshold = 5000  # 可根据实际情况调整
        if confidence > threshold:
            # 将灰度图转换为彩色图以便添加彩色文字
            test_img_color = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)
            # 添加未识别标记
            cv.putText(test_img_color, "Unrecognized", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
            output_img = test_img_color
        else:
            print(f'confidence={confidence}')
            print(names[str(label)])
            # 将灰度图转换为彩色图
            output_img = cv.cvtColor(test_img, cv.COLOR_GRAY2BGR)

        # 输出图像
        cv.imshow('Result Image', output_img)
        cv.waitKey(0)
        cv.destroyAllWindows()
    else:
        print(f"无法读取测试图片: {test_image_path}")

代码运行使用的训练样本均为女明星：

图5  训练样本

使用豆包AI生成的篮球明星进行识别，发现很好辨认出不是一个人：

图6 识别效果

【5】总结

掌握了python+opencv实现通过EigenFaces算法实现人脸识别的技巧。